YAPAY ZEKA / OTONOM ÜRETİM
Bayesian optimizasyon kullanan kapalı çevrimli bir Direct Ink Writing platformu, yapısal renkli polimerleri basıyor, ortaya çıkan rengi görüntü analiziyle ölçüyor ve hedef renge yaklaşmak için bir sonraki deneyin proses parametrelerini kendi seçiyor. Illinois ekibi ile NCSA’nın geliştirdiği altyapı, otonom katmanlı imalatın fiziksel deney–veri–karar döngüsünü tek sistemde birleştiriyor.
Katmanlı imalatta yeni bir malzeme veya proses geliştirirken basınç, hız, sıcaklık ve yol planı gibi değişkenlerin doğru birleşimini bulmak yüzlerce deneme gerektirebiliyor. Her deneyin elle hazırlanması, ölçülmesi ve bir sonraki parametrenin araştırmacı tarafından seçilmesi hem zaman alıyor hem de karmaşık değişkenler arasındaki ilişkilerin gözden kaçmasına yol açabiliyor.
University of Illinois Urbana-Champaign araştırmacıları, bu süreci kapalı çevrimli bir deney platformuna dönüştürüyor. Johnny Austin Lomas, Bing Zhang, Sandeep Puthanveetil Satheesan, Matthew Berry ve Ying Diao’nun çalışması, Direct Ink Writing ile basılan yapısal renkli polimerleri bir test alanı olarak kullanıyor. Araştırma 2025 IEEE eScience konferansında yayımlanan çalışmanın ve NCSA iş birliğiyle kurulan otonom yazılım mimarisinin devamı niteliğinde.
Yapısal renk pigmentten değil geometriden geliyor
Yapısal renk, ışığın pigment molekülleri yerine mikro ve nano ölçekteki düzenlerle etkileşmesinden oluşuyor. Çalışmada kullanılan bottlebrush block copolymer malzemeler, baskı ve kuruma koşullarına bağlı olarak farklı dalga boylarını yansıtan düzenler oluşturabiliyor. Bu nedenle görünen renk, doğrudan proses parametrelerinin ve oluşan iç yapının bir çıktısına dönüşüyor.
Direct Ink Writing sisteminde mürekkep basınçla bir nozülden çıkarılıyor ve programlanan yol boyunca katmanlar halinde yerleştiriliyor. Basınç, hareket hızı ve baskı tablası sıcaklığı gibi değişkenler filamentin geometrisini, kuruma davranışını ve polimerin kendiliğinden düzenlenmesini etkileyebiliyor. Hedeflenen renk için tek bir doğru ayar bulunmadığından, parametre uzayı klasik deneme–yanılma yaklaşımıyla hızla büyüyor.
Bayesian optimizasyon sonraki deneyi seçiyor
Platform önce seçilen parametrelerle fiziksel baskıyı gerçekleştiriyor. Ardından kamera görüntüleri analiz edilerek rengin tonu HSV renk uzayındaki hue değeriyle sayısallaştırılıyor. Ölçülen değer hedef renkle karşılaştırılıyor ve sonuç Bayesian optimizasyon modeline gönderiliyor. Model, daha önceki deneylerden öğrendiği ilişkilere dayanarak bilgi kazancı en yüksek olacak bir sonraki basınç, hız ve sıcaklık kombinasyonunu öneriyor.
Bayesian yaklaşımın avantajı, her olası kombinasyonu tek tek denemek yerine hem iyi sonuç verme ihtimalini hem de belirsizliği hesaba katması. Sistem bazen hedefe yakın ayarları geliştirirken bazen modelin az bildiği bir bölgeyi araştırıyor. Böylece sınırlı sayıda fiziksel deneyle proses haritasının daha verimli çıkarılması amaçlanıyor.
NCSA altyapısı yazıcı ile bulut arasındaki döngüyü kuruyor
National Center for Supercomputing Applications ile geliştirilen mimari, yazıcının gerçek zamanlı kontrolünü veri yönetimi ve optimizasyon servislerinden ayırıyor. Yazıcı yakınına yerleştirilen donanım adaptörü cihaz komutlarını yürütürken, bulut tarafı deney verisini kaydediyor ve makine öğrenmesi iş akışını çalıştırıyor. Sistem Illinois’in Radiant bulut kümesinde, Marlin yazılımı kullanan farklı yazıcılar ve farklı baskı geometrileriyle test edildi.
Bu ayrım platformun tek bir laboratuvar düzenine bağlı kalmamasını hedefliyor. Farklı yazıcılar için uygun adaptör geliştirildiğinde aynı veri, görüntü analizi ve optimizasyon katmanı yeniden kullanılabiliyor. Deney geçmişinin merkezi biçimde tutulması da sonuçların karşılaştırılmasını ve sürecin tekrarlanabilirliğini kolaylaştırıyor.
Asıl hedef renk değil, kendi deneyini yöneten üretim sistemi
Yapısal renk, kamera ile hızlı ve temassız biçimde ölçülebildiği için kapalı çevrimli platformun gösterimi açısından uygun bir hedef oluşturuyor. Aynı temel mimari, ölçülebilir başka çıktılarla birleştirildiğinde daha geniş alanlara uygulanabilir. Boyutsal doğruluk, yüzey pürüzlülüğü, yoğunluk, elektriksel özellik veya mekanik dayanım gibi sonuçlar otomatik ölçüme bağlanırsa yazıcı proses penceresini kendi deneyleriyle araştırabilir.
Metal katmanlı imalatta lazer gücü ve tarama stratejisinin optimizasyonu, yeni mürekkep formülasyonlarının geliştirilmesi veya farklı geometrilerde baskı kalitesinin korunması bu yaklaşımın uzun vadeli uygulamaları arasında yer alıyor. Bununla birlikte mevcut sonuçlar ön çalışma düzeyinde. Görüntü analizi ve renk ayarı gösterilmiş olsa da tam otonom endüstriyel üretim için güvenli deney sınırları, sensör doğruluğu, veri bütünlüğü ve farklı makinelere aktarılabilirlik ayrıca doğrulanmak zorunda.
Çalışmanın ortaya koyduğu değişim, makine öğrenmesinin yalnızca üretim sonrası veriyi yorumlamaktan çıkıp fiziksel deneyi yöneten karar mekanizmasına dönüşmesi. Yazıcı, ölçüm sistemi ve optimizasyon modeli aynı döngüde çalıştığında katmanlı imalat araştırmaları daha az manuel denemeyle, izlenebilir ve tekrarlanabilir bir biçimde ilerleyebilir.