AI অ্যাপ্লিকেশনগুলির একটি প্রথম রাউন্ড ইতিমধ্যেই লেজার উপকরণ প্রক্রিয়াকরণে এসেছে। দ্বিতীয় রাউন্ড মেশিন লার্নিংকে ব্যাপকভাবে ত্বরান্বিত করবে। সবচেয়ে গুরুত্বপূর্ণ: এআই বিক্রি করে।
আন্দ্রেয়াস থস, অবদানকারী সম্পাদক
এখন পর্যন্ত, AI বিপুল পরিমাণ ডেটা প্রক্রিয়া করার ক্ষমতার উপর ভিত্তি করে অসাধারণ অগ্রগতি করেছে। হাজার হাজার টেক্সট নথি বিশ্লেষণ করা, উদাহরণস্বরূপ, বৃহৎ ভাষার মডেলগুলির বিকাশের দিকে পরিচালিত করে যার সাথে আমরা যোগাযোগ করি যেন তারা মানুষ। কম্পিউটার বিজ্ঞানের প্রথম দিন থেকে এটি একটি প্রতিশ্রুতি, সেইসাথে অনেক বিজ্ঞান কল্পকাহিনী বইয়ের একটি থিম। সম্প্রতি তা পূরণ হয়েছে।
Fraunhofer Institute for Laser Technology ILT, Aachen, Germany এর সৌজন্যে।
শিল্পে, AI আরও আশ্চর্যজনক জিনিসগুলি সম্পন্ন করেছে এবং সম্প্রতি উল্লেখযোগ্যভাবে দ্রুত হয়ে উঠেছে।
শিল্পে এআই
শিল্পে AI এর প্রয়োগগুলি ভাষা প্রক্রিয়াকরণের চেয়ে অনেক বেশি (যদিও AI এজেন্টরা বিক্রেতাদের ওয়েবসাইটও জয় করে)। প্রথমত, তারা বেশ কিছু স্বতন্ত্র ইমেজ প্রসেসিং কাজ স্বয়ংক্রিয় করতে সাহায্য করে। জার্মান মেশিন ডেভেলপার TRUMPF, উদাহরণস্বরূপ, তার ইমেজ প্রসেসিং সফ্টওয়্যারের জন্য একটি বিশেষ এআই মোড অফার করে। বৈদ্যুতিক মোটরগুলিতে হেয়ারপিন ঢালাইয়ের জন্য, চিত্রে বৈসাদৃশ্য, প্রতিফলন বা ছায়ার কারণে অসুবিধা দেখা দিলে AI ওয়েল্ডিং অংশীদার (যেমন হেয়ারপিন) সনাক্ত করতে সহায়তা করে। TRUMPF-এর মতে, সমাধানটি "প্রথম-পাস ফলন" 99.2% থেকে 99.8% বৃদ্ধি করেছে৷ এটি 4× কম "ঠিক নয়" অংশের সমান।
কিন্তু এই মাত্র শুরু. ভবিষ্যতে, AI একাধিক উত্স থেকে ডেটা ব্যবহার করবে এবং প্রক্রিয়াকরণের আগে, সময় এবং পরে উত্পাদনশীলতা উন্নত করবে। বিপুল পরিমাণ ডেটা প্রক্রিয়া করার ক্ষমতা বিশেষত সময়োপযোগী কারণ বিভিন্ন প্রবণতা শিল্পে আরও বেশি করে ডেটা তৈরির দিকে পরিচালিত করছে।
এরকম একটি প্রবণতা হল মান নিয়ন্ত্রণ। গাড়ি নির্মাতারা, উদাহরণস্বরূপ, প্রতিটি ওয়েল্ড সিমের ছবি তুলতে পারে এবং উত্পাদন প্রক্রিয়াগুলিতে স্থায়িত্বের সমস্যাগুলি ট্রেস করতে পারে। AI উৎপাদনের সময় সংগ্রহ করা ফটোগ্রাফের উপর ভিত্তি করে "ভাল" এবং "খারাপ" ওয়েল্ড সিমের মধ্যে পার্থক্য করতে পারে। এটি একটি ইনলাইন, বা পোস্ট-প্রক্রিয়ার একটি উদাহরণ যা সমস্ত গুরুত্বপূর্ণ উৎপাদন ধাপে ডেটা তৈরি করে৷ অবশ্যই, এটি গাড়ি উৎপাদনের চেয়ে বেশি ক্ষেত্রে প্রযোজ্য।
একটি দ্বিতীয় প্রবণতা ডিজিটাল যমজ সম্পর্কিত। সম্পূর্ণ মেশিন বা উত্পাদন সুবিধাগুলি একটি ডিজিটাল বিশ্বে সিমুলেট করা হয়, যেখানে ওয়েল্ডিং প্রক্রিয়া নিজেই কম্পিউটারে সিমুলেট করা হয়। বাস্তব ডেটা এই ধরনের মডেলগুলিকে উন্নত করতে সাহায্য করে, যদিও তারা যে ডেটা তৈরি করে তা মূলত সিন্থেটিক।
উভয় প্রবণতা AI এর বিবর্তনের সাথে ঘনিষ্ঠভাবে আবদ্ধ। মান নিয়ন্ত্রণে, মেশিন লার্নিং (এমএল) ভাল এবং খারাপ অংশ আলাদা করতে ব্যবহৃত হয়। মেশিনটি শিখেছে কোন প্যারামিটারগুলি গুরুত্বপূর্ণ, এবং অপারেটর বা প্রোগ্রামার সতর্কতার জন্য বা কখন মেশিন বন্ধ করা উচিত তার জন্য থ্রেশহোল্ড সেট করে।
পোস্ট-প্রক্রিয়া পরিদর্শনে AI-এর ব্যবহারও দেখানো হয়েছে। উদাহরণস্বরূপ, জার্মান কোম্পানি Scansonic MI ছবিতে ভাল এবং খারাপ ওয়েল্ড সীম সনাক্ত করতে AI ব্যবহার করে৷ আরও গবেষণা নির্ধারণ করবে কিভাবে "{3}}প্রক্রিয়ায় ব্যবহার" ডায়াগনস্টিকস বন্ধ-লুপ প্রক্রিয়া নিয়ন্ত্রণের জন্য ব্যবহার করা যেতে পারে। ইমেজ প্রসেসিং ছাড়াও, এতে স্পেকট্রাল সেন্সর, 3D ইমেজিংয়ের জন্য লেজার ট্রায়াঙ্গুলেশন, অথবা ওয়েল্ড-গভীরতা ডায়াগনস্টিকসের জন্য অপটিক্যাল কোহেরেন্স টমোগ্রাফি জড়িত থাকতে পারে।
ঢালাই একটি শক্তিশালী উদাহরণ, কিন্তু এটি শুধুমাত্র একটি. এই ধরনের প্রযুক্তি ব্যবহার করা যেতে পারে (এবং হবে) যেখানে ব্যবহারের ক্ষেত্রে বিনিয়োগকে ন্যায্যতা দেওয়ার জন্য যথেষ্ট বড়।
মান নিয়ন্ত্রণে AI প্রাথমিকভাবে প্রক্রিয়াকৃত অংশগুলির প্যাটার্ন স্বীকৃতির জন্য ব্যবহৃত হয়। কন্ট্রোল লুপ বন্ধ করার জন্য, AI এর প্রথম থেকেই প্রক্রিয়া সম্পর্কে জ্ঞান প্রয়োজন। অতএব, গবেষকরা যতটা সম্ভব প্রসেস প্যারামিটার দিয়ে প্রসেস সিমুলেশন ব্যবহার করেন। এখানে, AI এর আরও বেশি সম্ভাবনা রয়েছে - এটি ইনপুট এবং আউটপুট পরামিতিগুলিকে সংযুক্ত করতে পারে। ইংল্যান্ডের বিজ্ঞান ও প্রযুক্তি সুবিধা কাউন্সিলের রাদারফোর্ড অ্যাপলটন ল্যাবরেটরির সেন্ট্রাল লেজার ফ্যাসিলিটির গবেষকরা, উদাহরণস্বরূপ, প্লাজমা ত্বরণের জন্য একটি লেজার সিস্টেম অপ্টিমাইজ করতে AI ব্যবহার করেছেন1. ঘুরানোর জন্য অনেকগুলি নব রয়েছে এবং লেজারের প্লাজমা প্রক্রিয়াটি অত্যন্ত অরৈখিক। AI বিজ্ঞানীদের সিস্টেমকে স্থিতিশীল করতে এবং ইলেক্ট্রন ত্বরণের জন্য একটি প্লাজমা চ্যানেল স্থাপন করতে সাহায্য করেছিল।
শিল্পে প্রযোজ্য, AI-ভিত্তিক প্রক্রিয়া সিমুলেশন প্রক্রিয়া নিয়ন্ত্রণের জন্য লুপ বন্ধ করার অনুমতি দিতে পারে। AI জানে পণ্যের গুণমানকে নির্দিষ্ট জায়গায় ফিরিয়ে আনতে কোন নব ঘুরতে হবে। এটি কার্যত সমস্ত নবগুলির সাথে পরীক্ষা করে এবং প্যারামিটার ল্যান্ডস্কেপ অন্বেষণ করে শিখতে পারে। এই টাস্কটি সমাধান করার জন্য সুপরিচিত মডেল রয়েছে।
কিন্তু সমস্ত বৈচিত্র পরীক্ষা করা সময়- এবং শক্তি-সাপেক্ষ হতে পারে৷ এই মুহুর্তে আকর্ষণীয় প্রশ্নটি পূর্বের জ্ঞানের সাথে সম্পর্কিত: AI শেখার কত দ্রুত হতে পারে যদি মডেলটিকে খাওয়ানো হয় যা মানুষ ইতিমধ্যেই প্রক্রিয়া সম্পর্কে জানে?
ফোটোনিক্স শিল্পে এআই প্রবণতা
অক্টোবর. 2 এবং 3, 2025-এ, জার্মান শিল্প সমিতি SPECTARIS - Fraunhofer Institute for Laser Technology ILT (Fraunhofer ILT) এবং ফেডারেল অ্যাসোসিয়েশন BITMi - দ্বারা সমর্থিত ফটোনিক্সে AI এর উপর একটি কর্মশালা পরিচালনা করে৷ অংশগ্রহণকারীরা গবেষণা প্রতিষ্ঠান থেকে এসেছেন, যার মধ্যে Fraunhofer ILT নিজেই, এবং বেশ কয়েকটি বিশ্ববিদ্যালয়, কিন্তু প্রধানত শিল্প থেকে, Microsoft, ZEISS, TRUMPF, Audi, Precitec Vision, Bystronic, Blackbird Robotersystem, 4D Photonics GmbH এবং আরও অনেক কিছুর প্রতিনিধিদের সাথে। যদিও 27টি উপস্থাপনার মধ্যে কয়েকটি অপটিক্যাল ডিজাইনে AI নিয়ে আলোচনা করেছে, কর্মশালাটি মূলত শিল্প লেজার প্রযুক্তিতে AI অ্যাপ্লিকেশনগুলির উপর দৃষ্টি নিবদ্ধ করেছে।
এআই সহকারীরা লেজার অপারেটরদের একটি বৃহৎ জ্ঞানের ভিত্তিতে সঠিক টিউটোরিয়াল খুঁজে পেতে বা লেজার কাটিংয়ে ট্র্যাজেক্টরি প্ল্যানিং অপ্টিমাইজ করতে সাহায্য করতে পারে। আরও আকর্ষণীয় হল কিভাবে AI জটিল সিদ্ধান্তগুলিকে সমর্থন করে, উদাহরণস্বরূপ, লেজার ওয়েল্ডিং বা লেজার সংযোজন উত্পাদন প্রক্রিয়াগুলির মান নিয়ন্ত্রণে। কার্লো হলি, RWTH আচেন ইউনিভার্সিটির অপটিক্যাল সিস্টেমের টেকনোলজির চেয়ার এবং ফ্রাউনহোফার আইএলটি-এর বিভাগীয় প্রধান, তার পূর্ণাঙ্গ উপস্থাপনায় প্রধান প্রবণতার সংক্ষিপ্তসার করেছেন: "আমরা এখন একটি ডেটা-ডেটা ভিত্তিক AI থেকে ডেটা- এবং পদার্থবিদ্যার-অবহিত AI-এর দিকে এগিয়ে যাচ্ছি।"
হলি তার গবেষণা থেকে একটি উদাহরণ দিয়ে এটি ব্যাখ্যা করেছেন। Fraunhofer ILT-এর একটি দল পূর্বে উচ্চ-গতির লেজার উপাদান জমার (EHLA, বা চরম উচ্চ-গতির লেজার উপাদান জমার) জন্য একটি প্রক্রিয়া তৈরি করেছিল। এই প্রক্রিয়ায় 100 টিরও বেশি পরামিতি আবরণের গুণমানকে প্রভাবিত করে। এইভাবে, প্রক্রিয়াটিকে অন্য উপাদানে স্থানান্তর করতে সাধারণত 1500টি পরীক্ষা এবং বিশ্লেষণের সাথে দুই বছর সময় লাগে। প্রক্রিয়াটির একটি সারোগেট মডেল এবং একটি (বায়েসিয়ান) এআই অপ্টিমাইজেশান মডেল ব্যবহার করে, হলির দল পরীক্ষার সংখ্যা উল্লেখযোগ্যভাবে হ্রাস করেছে: সর্বোত্তম প্রক্রিয়া পরামিতিগুলি খুঁজে পেতে শুধুমাত্র 17টি ট্রায়ালের প্রয়োজন ছিল2.
অবশ্যই, সঠিক মডেল এবং কৌশলগুলি সন্ধান করা গবেষণার একটি চলমান বিষয়। উত্সাহজনকভাবে, বর্তমান গবেষণায় দেখানো হয়েছে যে প্রক্রিয়া অপ্টিমাইজেশানের জন্য সময় মাসের চেয়ে মিনিটে কমিয়ে আনা হয়েছে। এবং, অবশ্যই, স্বয়ংক্রিয় প্রক্রিয়া অপ্টিমাইজেশান হল বন্ধ-লুপ প্রক্রিয়া নিয়ন্ত্রণের পরবর্তী ধাপ।
10× কম টীকাযুক্ত ডেটা সহ ML
প্রক্রিয়া অপ্টিমাইজেশান পূর্বের জ্ঞান থেকে উপকৃত হলেও, ML বিপরীত থেকে উপকৃত হতে পারে। হলি এই আশ্চর্যজনক তথ্যটি স্পেক্টারিস ওয়ার্কশপে টীকা-বিনামূল্যে এমএল-এর ধারণার সাথে উপস্থাপন করেছিলেন। তার সহকর্মী, জুলিয়াস নিউস, পরে অ্যালুমিনিয়াম ব্যাটারি হাউজিংগুলির লেজার ঢালাই ব্যবহার করে পরীক্ষা-নিরীক্ষার ভিত্তিতে ঢালাই প্রক্রিয়ার গুণমান নিয়ন্ত্রণে এটি কেমন দেখায় তা প্রদর্শন করেছিলেন।
একটি প্রারম্ভিক বিন্দু হিসাবে, Neuß ক্লাসিক তত্ত্বাবধানকৃত কর্মপ্রবাহের সাথে নতুন পদ্ধতির তুলনা করেছেন। একটি তত্ত্বাবধানে সেটআপে, অপারেটরদের অবশ্যই ওয়েল্ড সিমের প্রতিটি অংশ ম্যানুয়ালি টীকা করতে হবে: তারের অবস্থান, গলিত পুল, পুঁতির জ্যামিতি, ছিদ্র এবং স্প্যাটার (চিত্র 1)। এমনকি একটি ছোট ডেটা সেটের জন্যও, এটি দ্রুত শ্রম-নিবিড় হয়ে ওঠে৷ তদুপরি, AI শুধুমাত্র স্পষ্টভাবে লেবেল করা কি তা শিখে এবং এর দৃঢ়তা টীকা করা ডেটা সেটের বৈচিত্র্য এবং গুণমান উভয়ের দ্বারাই সীমাবদ্ধ।
