Sztuczna inteligencja znalazła sposób druku trudnego stopu NASA po 40 próbach

Zespół naukowców z Washington State University wykorzystał sztuczną inteligencję do rozwiązania problemu, który ręcznie wymagałby przetestowania ponad 100 milionów kombinacji parametrów. Chodziło o znalezienie ustawień drukarki 3D pozwalających drukować GRCop-42, stop miedzi, chromu i niobu opracowany przez NASA na potrzeby silników rakietowych. System AI potrzebował do tego 40 eksperymentów rozłożonych na trzy miesiące pracy.

Problem z jedną igłą w stogu siana

GRCop-42 ceniony jest za wysoką przewodność cieplną i wytrzymałość w ekstremalnych temperaturach, dlatego trafia do komór spalania i dysz silników rakietowych. Drukowanie go jest jednak kosztowne i energochłonne. Pojedynczy przebieg druku kosztuje setki dolarów, a analiza jakości wydrukowanego elementu zajmuje kolejne dni. Do tego dochodzi wymóg wysokiej mocy lasera, którego nie spełnia większość dostępnych na rynku drukarek.

Zespołem badawczym kierował Jana Doppa, profesor informatyki na Washington State University, piastujący funkcję Huie-Rogers Endowed Chair Professor. Współautorką pierwszej pracy była doktorantka Azza Fadhel, a w projekcie uczestniczyli też Nathaniel Zuckschwerdt, Susmita Bose i Amit Bandyopadhyay ze School of Mechanical and Materials Engineering oraz Aryan Deshwal z University of Minnesota.

To bardzo trudny przypadek dla AI. Za każdym razem, gdy próbujesz, dostajesz binarny sygnał sukcesu albo porażki, i starasz się zminimalizować liczbę prób, żeby jak najszybciej trafić na te udane igły - Jana Doppa, profesor informatyki, Washington State University

Jak działał algorytm

System nie zgadywał losowo. Na podstawie wcześniejszych wyników uczył się szacować prawdopodobieństwo sukcesu dla danej kombinacji parametrów, a następnie wybierał kolejne partie eksperymentów, równoważąc opcje obiecujące z tymi bardziej niepewnymi, wartymi sprawdzenia. Do trenowania modelu wykorzystano też 37 wcześniejszych nieudanych konfiguracji zebranych przez zespół materiałowy jeszcze przed włączeniem AI do projektu.

Azza Fadhel opisała, jak wyglądała współpraca z inżynierami materiałowymi na co dzień. Część prób kończyła się całkowitym niepowodzeniem, ale każda porażka i tak dostarczała danych, które ulepszały model.

Czasami drukowali daną konfigurację, a produkt po prostu się topił. Nie dało się go wydrukować, i nawet mając więcej czasu i pieniędzy, nie byliby w stanie wypróbować wszystkich 100 milionów opcji - Azza Fadhel, doktorantka informatyki, Washington State University

Demokratyzacja dostępu do specjalistycznego materiału

Kluczowym odkryciem była konfiguracja działająca przy mocy lasera zaledwie 500 watów, znacznie niższej niż typowo wymagana do druku tego stopu. To sprawia, że GRCop-42 mógłby być drukowany na znacznie tańszym i szerzej dostępnym sprzęcie, a nie tylko na specjalistycznych, drogich systemach o wysokiej mocy.

Doppa podkreślił, że dotąd dostęp do tej technologii miały tylko nieliczne ośrodki dysponujące odpowiednim sprzętem. Znalezienie parametrów działających na komercyjnych drukarkach otwiera drogę uniwersytetom, mniejszym laboratoriom i firmom, których nie stać na specjalistyczne systemy o wysokiej mocy.

Dziewięćdziesiąt procent komercyjnych drukarek nie jest w stanie drukować tego stopu metalu, więc skoro udało nam się znaleźć te wykonalne parametry procesu, pozwala nam to używać tych komercyjnych drukarek, i zasadniczo demokratyzujemy drukowanie tego stopu - Jana Doppa, profesor informatyki, Washington State University

Zastosowania poza kosmosem

Choć GRCop-42 kojarzy się głównie z przemysłem kosmicznym i komorami spalania silników rakietowych, zespół z Washington State University wskazuje, że podobne podejście, czyli wykorzystanie AI do minimalizowania liczby kosztownych fizycznych eksperymentów, może przydać się też w innych dziedzinach, gdzie liczba możliwych konfiguracji jest ogromna, a każda próba pochłania czas, pieniądze lub materiały. Naukowcy wymieniają między innymi poszukiwanie nowych leków i badania materiałowe.

Doppa przyznał, że sam był zaskoczony skutecznością metody, biorąc pod uwagę, że każdy eksperyment wiązał się z realnymi kosztami materiałowymi i sprzętowymi, a błędna decyzja oznaczała stratę czasu i pieniędzy zespołu inżynierskiego.

Praca opisująca metodę trafiła na Proceedings of the AAAI Conference on Artificial Intelligence, jedną z najważniejszych konferencji poświęconych sztucznej inteligencji, gdzie zdobyła nagrodę za innowacyjne wdrożone zastosowanie. To sygnał, że społeczność badawcza AI traktuje ten projekt nie tylko jako ciekawostkę inżynierską, ale jako przykład praktycznego zastosowania uczenia maszynowego do rzeczywistych, kosztownych problemów produkcyjnych.