ماشین لرنینگ (Machine Learning) در حال حاضر موضوع داغی است و ChatGPT از شرکت OpenAI نیز سر و صدای زیادی به پا کرده است. ChatGPT که برای عکس‌های سرگرم‌کننده و نوشتن تکالیف تغییر کاربری داده است، به دنیا اجازه می‌دهد تا با آنچه که ماشین لرنینگ که اغلب هوش مصنوعی (AI) نامیده می‌شود، آشنا شود.

هدف مشترک توسعه‌دهندگان هوش مصنوعی این است که ماشین‌ها مانند پروسه‌ی فکری انسان یا موجودات دیگر را عمل کنند. در ماشین لرنینگ، یک برنامه کامپیوتری از قوانین، شاید ورودی‌ها و داده‌های کاربر، برای مرتب‌سازی، غربال کردن یا پیش‌بینی در مورد داده‌ها یا نتایج آینده استفاده می‌کند. 

صدها هزار عکس از سگ‌ها با نژادهای مختلف و نام حیوان توسط هوش مصنوعی مورد مطالعه قرار می‌گیرند و در نهایت به برنامه این امکان را می‌دهند که فکر کند اغلب ژرمن شپردها "رکس" نام دارند. وقتی این برنامه‌ها با شبکه‌های عصبی مصنوعی (شبیه‌سازی مغز جانوران) ترکیب می‌شوند، می‌توان الگوهایی را یافت که ممکن است پیش از این، پیش‌بینی نکرده‌ باشیم یا زمانی برای کشف کردن آن‌ها نداشته باشیم.

بدون شک هوش مصنوعی ابزار قدرتمندی خواهد بود. اینکه چه تأثیری بر جهان خواهد داشت را نمی توانیم بدانیم. همچنین نمی‌توانیم دقیقاً بدانیم که هوش مصنوعی در چه بازه زمانی به شغل، زندگی روزمره و اقتصاد ما نفوذ می‌کند. با پذیرش ChatGPT توسط AIBuild، می‌توانیم ببینیم که چاپ سه بعدی واقعاً می‌تواند از این ابزارها استفاده کند. با این حال، هوش مصنوعی چه کاری می تواند با صنعت تولید مواد افزودنی انجام دهد و احتمالاً در کوتاه مدت چه خواهد کرد؟ با توجه به آنچه اکنون می دانیم، می توانیم استنباط هایی انجام دهیم.

تنظیمات پیشگویی

در سیستم‌های اکستروژن مواد رومیزی، یافتن تنظیمات بهینه برای یک فیلامنت تا حدی توسط تجربه، بخشی توسط مهارت و بخشی توسط حدس و گمان انجام می‌شود. هنگامی که سازندگان ماشین آلات پارامترها را بهینه می کنند، اغلب این کار را از طریق چاپ آزمایشی مکرر و تنظیم بر اساس تنظیمات اولیه خود انجام می دهند. تولیدکنندگان فیلامنت، مواد اولیه خود را بر روی چند چاپگر فروخته شده توسط برندهای بزرگ نیز ثبت می کنند. اغلب کاربران به صورت چشمی تعیین می کنند که کدام نتیجه بهتر به نظر می‌رسد، اما آزمایش های دقیق تر در حال افزایش است. بر اساس اطلاعات کافی، این فرآیند می تواند با هوش مصنوعی خودکار شود. با توجه به آزمایش‌ها و نتایج اولیه کافی، یک شرکت مواد می‌تواند فرمول تغییر یافته خود را وارد کرده و ایده‌ای برای تنظیمات بهینه رشته جدید در بسیاری از ماشین‌ها به دست آورد. با گسترش آزمایش خود به سیستم های جدید، این شرکت می تواند تنظیمات و نتایج چاپ بسیار بهتری نسبت به سایر فروشندگان فیلامنت داشته باشد.

بهبود قطعه

تست مقاومت درصدها و الگوهای مختلف infill می‌تواند به هوش مصنوعی کمک کند تا الگوی پر infill بهینه را تعیین کند، با تراکم‌ها و تنظیمات مختلف که بیشتر مورد بررسی قرار می‌گیرد تا پیکربندی‌های بهینه را برای قطعات مختلف ارائه دهد. همین کار را می توان برای تنظیمات چسبندگی لایه، ضخامت مسیر و ارتفاع لایه انجام داد تا استحکام Z با تنظیمات بهتر بهبود یابد. 

کاهش خطا

مقاله ای که قبلاً منتشر شده است، چگونگی تشخیص تنظیمات infill با استفاده از ماشین لرنینگ را مورد بحث قرار می دهد. تشخیص خودکار خطا چیزی است که در چند مقاله مورد بحث قرار گرفته است. در این مقاله، اشکال برای بررسی صحیح بودن تحلیل می شوند. این مقاله سیستمی را مورد بحث قرار می‌دهد که برای رد یا قبول پرینت‌های سه بعدی خوب یا بد طراحی شده است. 

اگر کارآگاه اسپاگتی یا AstroPrint تمام ویدیوهای خود را تجزیه و تحلیل می‌کردند، احتمالاً می‌توانستند حالت‌ها یا رخدادهای رایج خطا، از جمله ارتفاعات، اشکال، حرکات و مدل‌های خاص که باعث خطا می‌شوند را کشف کنند. دسترسی بیشتر به تنظیمات کاربر (یا ارتباط با Cura) می تواند مجموعه داده بسیار بزرگی از چاپ های ناموفق ایجاد کند. سپس می توان از این برای جلوگیری از خطاهای رایج یا تعیین تنظیمات صحیح استفاده کرد.

نظارت بر فرآیند 

به همین ترتیب، نظارت بر فرآیند می‌تواند خطاها و چاپ اشتباه را در اولین فرصت ممکن، همانطور که در مقالات تحقیقاتی متعدد مورد بحث قرار گرفته و حتی توسط تعدادی از شرکت‌های چاپ سه بعدی دنبال شده است، شناسایی کند. با گذشت زمان می توان از نشانه ها، طرح ها، ساختارهای پشتیبانی برای پیش بینی زمان و چگونگی شکست چاپ استفاده کرد. شرکت‌هایی مانند Addiguru و Open Additive در حال بررسی این احتمالات هستند، مانند Hexagon، Authentise و بسیاری دیگر. 

بسیاری از مشقت ها از تضمین کیفیت و نظارت در فرآیند حذف می شود که می تواند برای پیش بینی بیشتر عملکرد کل سیستم مورد استفاده قرار گیرد.

بهینه سازی طراحی

خود طرح ها نیز ممکن است بهینه شوند. در واقع، بیشتر طراحی جنراتیو و بهینه‌سازی توپولوژی به هوش مصنوعی متکی است. در این مقاله از یادگیری ماشین برای بهینه سازی یک راهنمای موج استفاده شده است.

نتیجه گیری

در این مرحله، نمی‌توانیم بدانیم که ماشین لرنینگ و هوش مصنوعی چه کاری برای جهان انجام خواهد داد، با این حال، چیزی که می‌دانیم این است که هوش مصنوعی تأثیری اساسی بر جهان خواهد داشت. دنیای تولید افزودنی نیز تحت تأثیر قرار خواهد گرفت. و سطح انتزاع قطعا پیشرفت خواهد کرد.


منبع: 3dprint