مجله هوش مصنوعی شهاب
اکثر اشیاء پرینت شدۀ سه بعدی عمدتاً یا نمونۀ آزمایشی هستند و یا تنها یک بار ساخته می شوند، چرا که چاپ سه بعدی، بسیار ظریف تر از ساختارهای سنتی و معمولی است.
از آنجا که فرایند پرینت سه بعدی با اضافه کردن لایه ها روی یکدیگر انجام می شود، هرگونه تغییر جزئی در دما یا کیفیت مواد، ممکن است موجب نقص و هدر رفتن ساعت ها تلاش شود. شرکت Inkbit یک کمپانی پرینتر سه بعدی در بوستون است که از بینایی ماشین و هوش مصنوعی جهت کمک به اصلاح تجهیزات خود استفاده می کند.
خاویر راموس، یکی از بنیانگذاران و مدیر سخت افزار در شرکت Inkbit گفته است که فناوری بینایی ماشین Inkbit می تواند به طور لحظه ای اشیاء مورد نظر برای چاپ را اسکن کرده، و با استفاده از هوش مصنوعی، هر گونه اشکال احتمالی را برطرف و اصلاح کند. وی آینده ای را به تصویر کشیده است که در آن، از فناوری Inkbit در تمام سطوح کارخانه ای استفاده شده و روزانه میلیون ها محصول با هزینه و زمان کمتر نسبت به فرایند های تولیدی معمولی، ساخته و در واقع چاپ می شوند.
راموس می گوید: یکی از مهم ترین مسائل در تبدیل پرینتر سه بعدی به یک فناوری تولیدکننده، به قابلیت اطمینان مربوط می شود. ما با افزودن فناوری های بینایی و حسگری، قابلیت اطمینان در فرایند چاپ سه بعدی را افزایش داده ایم. زمانی که یک وسیلۀ قابل اطمینان را به وجود آورید، می توانید آن را به مقیاس های صنعتی تعمیم دهید.
در ادامه، به اظهارات راموس دربارۀ چالش های موجود در ساخت یک پرینتر سه بعدی اشاره می شود.
مخلوق دانشگاه MIT
Inkbit در آزمایشگاه علوم کامپیوتر و هوش مصنوعی دانشگاه MIT در سال۲۰۱۷ متولد شد. در حال حاضر، Inkbit نخستین شرکت چاپ سه بعدی در جهان است که از بینایی ماشین و هوش مصنوعی برای اصلاح محصولات چاپ شدۀ خود استفاده می کند.
طبق اظهارات راموس، کمپانی Inkbit مشتریان بسیاری دارد. فعالیت اصلی این شرکت، در حوزه های پزشکی، علوم زیستی و صنعتی متمرکز شده است. Inkbit به تازگی همکاری خود با شرکت کالاهای مصرف کنندۀ جانسون و جانسون (Johnson & Johnson) را آغاز کرده است.
در اوایل ماه نوامبر ۲۰۱۹، Inkbit توانست در یک دورۀ تأمین مالی از طریق فروش سهام به رهبری تولیدکنندگان مواد اولیه، یعنی Stratasys و DSM Venturing، مبلغی معادل با ۱۲ میلیون دلار را جمع آوری کند. طبق گفته های راموس، این مبلغ برای ساخت مواد کاربردی جهت پرینت به کار گرفته می شود.
راموس گفته است: وجود یک فرایند عالی و تکرار پذیر، تنها نیمی از داستان است. نیم دیگر، به در اختیار داشتن مواد با کیفیت جهت دنبال کردن برنامه های ارزشمند، مربوط می شود.
پرینتر چگونه کار می کند؟
کمپانی Inkbit از یک پروسۀ پرینت شبیه به پرینترهای رنگی استفاده می کند، اما به جای کشیدن خطوط جوهری روی کاغذ، لایه های فوق باریکی از محصولات فتوپلیمری مایع را روی هم سوار می کند. Inkbit از نور ماورای بنفش برای سفت کردن و افزایش استحکام این لایه ها بهره می گیرد.
سپس یک سیستم بینایی ماشین، هر قطره از مایعات را اسکن کرده و داده های حاصل را به سوی یک سیستم هوش مصنوعی ارسال می کند. این سیستم هوش مصنوعی ، به روی نحوۀ ساخت لایه ها نظارت کرده و بر اساس هرگونه کمبود یا ازدیاد در محصول، مواد لایۀ بعدی را تنظیم می کند. طبق گفته های راموس، پرینتر Inkbit می تواند در هر چهار ثانیه، یک لایۀ جدید از مواد را به وجود آورد.
راموس می گوید که ساخت سیستم بینایی ماشین سال ها طول کشیده است، و در واقع تهیۀ این سیستم، مهم ترین چالشی بوده که Inkbit در هنگام ایجاد فرایند چاپ سه بعدی با آن مواجه شده است؛ فرایندی که مواد نوری مختلف را به سرعت و با دقت بالایی اسکن کرده و مورد پردازش قرار می دهد.
راموس در این باره گفته است: راه حل فعلی ما، یک راه حل ساده به شمار می آید، اما در ابتدای کار این گونه نبوده است. ما در گذشته با فناوری های بسیار پیچیده تری سروکار داشته و رسیدن به یک راه حل ساده، بسیار مشقت بار و مستلزم حذف سیستماتیک احتمالات مختلف بوده است.
طراحی یک فرایند اسکن سه بعدی همه کاره
یکی از چالش های مهم در هنگام ساخت یک اسکن سه بعدی خوب، لحاظ کردن تنوع در رنگ مواد، کدورت یا درخشش آن ها است. اسکنر Inkbit در حال حاضر می تواند همۀ رنگ ها در زیر نو خورشید را تشخیص دهد. طبق گفتۀ راموس، قابلیت تشخیص عناصر نوری مختلف، نتیجۀ آزمایش های متوالی بوده است.
طبق اظهارات راموس، در هنگام چاپ ممکن است با طیف وسیعی از مشخصات نوری مواجه شوید که از رنگ سیاه تا رنگ قرمز تا رنگ آبی متغیر است. همچنین ممکن است با قطعه های جاذب نور و شفافی سروکار داشته باشید که اسکن آن ها همیشه کار سختی بوده است. هم اکنون نیز انجام چنین پروسه ای در زمان واقعی و بلادرنگ، با مقاومت بالا و خواص نوری بسیار متفاوت، کار بسیار چالش برانگیزی به شمار می آید.
تشخیص رنگ های متفاوت و عناصر نوری محصولات، به بینایی ماشین، یا سیستم اسکن سه بعدی ساخته شده توسط مهندسین بستگی داشته است.
مهندسین Inkbit در ابتدا تصور می کردند که با نصب یک شکل از سیستم آینه ای در اسکنر، می توانند از فرایندی بهره گیرند که از مشخصات بازتابی یک قطعه خاص، برای اسکن رنگ و شکل آن استفاده می کند. اما طبق تحقیقات راموس، این سیستم تنها برای اشیاء براق مناسب بوده و چندان برای اشیائی که رنگ های آن نور را جذب می کنند، کارایی ندارد.
راموس گفته است: اگر بخواهیم یک قطعه مشکی رنگ را چاپ کنیم، که البته بسیاری از مشتریان به دنبال چاپ قطعات مشکی رنگ هستند، آنگاه این سیستم نمی تواند عملکرد خوبی را از خود نشان دهد.
سپس مهندسین به سراغ روش پروفیلومتری لیزری پایه رفته و از آن به عنوان یک روش سنجش نوری استفاده کرده اند. در این روش، ابتدا لیزر را به قطعه مورد نظر تابانده و سپس از خمیدگی و انحراف آن برای تفسیر شکل استفاده می شود. این رویکرد در واقع یک روش پرکاربرد برای اسکن قطعات فلزی و سخت است، اما منجر به تولید سایه هایی می شود که دید مهندسین را تا حدی مختل می کنند. این روش همچنین قادر به اسکن محصولات و قطعات شفاف نیست.
راموس در این باره گفته است: چیزی شبیه به موم یا شیر را در نظر بگیرید. تابش لیزر نه تنها از سطح رویی، بلکه از سطح زیرین نیز بازتاب می کند. بدین ترتیب ممکن است بازتاب هایی از پایین یا قسمت های داخلی قطعه حاصل شود. این روش معمولاً برای اسکن اشیاء بازتاب کننده و همچنین اسکن اشیائی به کار می رود که دارای تجمع زیرسطحی زیادی نیستند.
در ادامه، Inkbit تلاش کرد تا یک سیستم توموگرافی منسجم نوری را به اسکنر اضافه کند. این رویکرد از نور مادون قرمز جهت اسکن لایۀ سطحی و لایه های بعدی قطعات استفاده می کند. طبق گفته های راموس، هزینه و پیچیدگی این سیستم کمی بالا بوده و نمی توان برای چاپ تمام اشیاء از آن بهره گرفت. با این حال به دلیل عملکرد عالی برای بعضی از مواد خاص، شرکت تصمیم گرفته تا این اسکنر ترکیبی را به عنوان یک جزء اصلی، به فناوری اسکن Inkbit اضافه کند.
برای بسیاری از مواد دیگر، مهندسین Inkbit از نوعی روش پروفیلومتری لیزری پایه، به عنوان مکانیزم اسکن اصلی استفاده کرده اند. راموس گفته است که به جای استفاده از لیزر، اسکنر Inkbit از نوری استفاده می کند که طول موج آن به ۴۰۰ نانومتر می رسد و شبیه به نور آبی است. دلیل انتخاب این طول موج، حساسیت خاص آن به رنگ ها و مشخصه های نوری مختلف است. همین ویژگی، امکان اسکن قطعه های متنوع با بافت ها و رنگ های متفاوت را فراهم می آورد. اسکنر Inkbit، یک الگوی نوری را به قطعه تابانده و بر اساس انحراف و خمیدگی الگو، شکل قطعه را شناسایی می کند.
راموس در این باره گفته است: ما یک الگوی نوری را به قطعه تابانده و سپس به وسیلۀ دوربین، نحوۀ تغییرات الگوی نوری را در هنگام حرکت قطعه نظارت مورد بررسی قرار می دهیم. بدین ترتیب، می توان یک شکل سه بعدی و با کیفیت از قطعه را به دست آورد.
پردازش داده ها با سرعت نور
پس از جمع آوری داده های مربوط به نحوۀ چاپ لایه ها توسط اسکنر، این داده ها به وسیلۀ سیستم کامپیوتری Inkbit مورد پردازش قرار می گیرند.
Inkbit از واحدهای پردازش گرافیکی (GPU) خاصی در سیستم کامپیوتری خود استفاده می کند تا داده های اسکن شده را با سرعت بیشتری پردازش کند.
راموس در این رابطه گفته است: پس از پرینت و اسکن، تمام داده های به دست آمده مورد پردازش قرار می گیرند تا نحوۀ ساخت (چاپ) لایۀ بعدی مشخص شود. بنابراین تمام پردازش ها و فرایند ایجاد داده ها، باید در مقیاس چند صد میلی ثانیه اتفاق بیفتد، یعنی در واقع در کسری از ثانیه. این موضوع، یک چالش مهم به شمار می آید: همه چیز باید خیلی سریع انجام شود.
پس از پردازش داده ها، سیستم هوش مصنوعی Inkbit داده های بدست آمده از طریق اسکن قبلی را با مدلی که اسکن باید شبیه به آن باشد، مقایسه می کند. سیستم هوش مصنوعی در صورت تشخیص هرگونه انحراف، ساخت لایۀ بعدی را به نحوی تنظیم می کند که نقص های شناسایی شده در لایۀ چاپ شدۀ قبلی را اصلاح کرده و بهبود بخشد.
راه حل های هوش مصنوعی ساده تر بهتر از راه حل های پیچیده تر هستند
Inkbit پیش از انتخاب پروسۀ فعلی، سیستم های هوش مصنوعی متعددی را مورد آزمایش قرار داده است.
این شرکت، روش های مختلفی از جمله شبکه های عصبی کانولوشنی و یادگیری عمیق را پیاده سازی کرده است. طبق نتایج به دست آمده، هر دو روش به داده ها و توان محاسباتی بالایی جهت تحلیل داده های ورودی و ساخت دقیق ماشین خود اصلاحگر احتیاج دارند.
راموس در این باره گفته است: حجم بسیاری از مجموعه داده ها می تواند بسیار زیاد شود. به بیان دیگر، مدل های آموزشی باید در طی ساعت ها یا حتی روزها روی یک مجموعه کامپیوتر یا سرور اجرا شوند تا در نهایت یک مدل بتواند به همگرایی برسد.
به همین خاطر، Inkbit تصمیم گرفت تا سیستم انحصاری خود را به وجود آورد، که البته طبق گفته های راموس، بسیار ساده تر از شبکه های عصبی کانولوشنی و یادگیری عمیق است. وی گفته که مدل انحصاری آن ها بر اساس مدل های فیزیکی از واقعیت، یا همان ایدۀ نحوۀ اجرای پروسه، آموزش یافته است. بنابراین، مدل محدودتری حاصل شده و به بیان بهتر، سیستم هوش مصنوعی دارای پارامترهای کمتری جهت یادگیری است.
راموس در پایان افزود: ما به دنبال مدلی بودیم که بتواند در عرض چند دقیقه یا چند ساعت، به سرعت آموزش پیدا کند. هدف این بوده که مدل به راحتی روی یک کامپیوتر معمولی به اجرا درآید و نیازی به مجموعه کامپیوترهای خاص یا اَبَرکامپیوترها نباشد.
بیشتر بخوانید :
- گوگل ساختار سازمانی خود را جهت تمرکز بر هوش مصنوعی اصلاح می کند
- پلاک خوان های شهر گرینزبوروی آمریکا فعلاً قرار نیست افزایش پیدا کنند
- فرماندار اوکلند از پلاک خوان ها حمایت می کند اما مخالفان در اثربخشی آن تردید دارند
- لبنان استفاده از پلاک خوان های خودکار را تایید کرد
- چالش های مدیریت کلاس با ابزار جدید تشخیص چهره هوش مصنوعی
