AI Agentic Selective Laser Sintering Process Optimization

تخيل أرضية مصنع حيث لا تكتفي الآلات باتباع مجموعة جامدة من التعليمات، بل تتعلم من أخطائها، وتعدل سلوكها لتحقيق نتيجة أفضل. هذا هو الوعد الذي تقدمه التصنيع المضاف (الطباعة ثلاثية الأبعاد)، وهو مجال تُبنى فيه الأشياء طبقة تلو الأخرى بدلاً من نحتها من كتلة أو صبها في قالب. وبينما توفر هذه التكنولوجيا حرية مذهلة في التصميم، فإن الطريق نحو جزء قوي وموثوق غالباً ما يكون محفوفاً بالتجربة والخطأ. تعتمد العملية على إعدادات دقيقة — مقدار الحرارة المطبقة، وسرعة حركة الليزر، وكيفية تحضير المادة — ومع ذلك يمكن لهذه الإعدادات أن تتباين بشكل كبير اعتماداً على الآلة المحددة أو البيئة المحيطة. لسنوات، كان العثور على المزيج المثالي من هذه الإعدادات مهمة شاقة ويدوية، تتطلب من المهندسين طباعة واختبار وكسر وإعادة طباعة العينات مراراً وتكراراً.

قدم فريق من الباحثين في جامعة كارنيجي ميلون نهجاً جديداً لهذا التحدي، نهجاً يستبدل التخمين البشري بنظام ذكي قادر على التعلم والتكيف. لقد طوروا نظاماً "وكيلياً" (agentic)، وهو نوع من الذكاء الاصطناعي المصمم للعمل بشكل مستقل ضمن سير عمل معقد. وبدلاً من مجرد اتباع برنامج ثابت، يقوم هذا النظام بمراقبة نتائج الطباعة، ويحلل منطقياً ما أصاب أو أخطأ، ثم يقرر كيفية تغيير الإعدادات للمحاولة التالية. ومن خلال الجمع بين قدرة الاستنتاج هذه وقاعدة بيانات من التجارب السابقة، ينشئ النظام حلقة تغذية راجعة حيث تعلمه كل عملية طباعة فاشلة أو ناجحة كيفية تحسين الطباعة التالية. اختبر الباحثون هذا النظام على طابعة ثلاثية الأبعاد متخصصة تستخدم الليزر لصهر مسحوق بلاستيكي، بهدف إنشاء أجزاء بقوة تماثل تلك التي تحددها الشركات المصنعة للمواد.

ركزت الدراسة على ثلاثة أنواع مختلفة من المساحيق البلاستيكية، حيث يمثل كل منها صعوباته الفريدة. كانت المادة الأولى عبارة عن نايلون معزز بالزجاج، وهو مركب متين يُستخدم غالباً في الأجزاء القوية. بدأ الباحثون بضبط الآلة يدوياً لهذه المادة، لتحديد خط أساس لكيفية سلوك الآلة. ووجدوا أن عمليات الطباعة الأولية كانت أضعف بكثير مما هو متوقع، حيث كانت صلابتها مجرد جزء بسيط مما ادعته الشركة المص المصنعة. ومن خلال سلسلة من التعديلات اليدوية، تمكنوا في النهاية من إيجاد مجموعة من الإعدادات التي أنتجت أجزاءً بالصلابة المطلوبة، لكن هذه العملية استغرقت خمس عشرة دفعة منفصلة من الطباعة والاختبار. وقد عمل هذا الجهد اليدوي كأرضية تدريب حاسمة، وفرت البيانات التي سيحتاجها النظام الذكي لاحقاً للتعلم.

بمجرد أن أصبح النظام جاهزاً، كُلِّف بتحسين العملية لمادة ثانية، وهي نوع من النايلون المعروف بقوته ولكنه صعب الطباعة لأنه يتطلب بيئة محددة للغاية. مُنح النظام الهدف المتمثل في مطابقة مواصفات القوة التي حددها المصنع. بدأ بطباعة شبكة صغيرة من الرقع الاختبارية، كل منها بإعدادات مختلفة قليلاً، لمعرفة أي مزيج يعمل بشكل أفضل. وبعد تحليل النتائج، عدل النظام استراتيجيته للدفعة التالية؛ حيث زاد الطاقة المطبقة على المسحوق وعدل درجة الحرارة، متعلمًا من الإ failures السابقة. ومع كل دفعة جديدة، كان النظام يجري تغييرات صغيرة ومدروسة. لم يكن يخمن فحسب، بل استخدم البيانات من عمليات الطباعة السابقة للاستنتاج حول الخطوة التالية. وفي غضون عدد قليل من التكرارات فقط، تمكن النظام من إنتاج أجزاء ذات خصائص ميكانيكية تطابق المعاياي العالية للمصنع، وهو إنجاز كان سيستغرق وقتاً أطول بكثير لو قام به إنسان عبر التجربة والخطأ.

تضمن الاختبار النهائي خليطاً مخصصاً من نوعين مختلفين من النايلون، وهو مزيج ابتكره الباحثون لمعرفة ما إذا كان بإمكان النظام التعامل مع مادة لم يسبق طباعتها على هذه الآلة من قبل. كان هذا المزيج معقداً لأن أحد مكوناته يمتص ضوء الليزر بشكل مختلف عن الآخر، مما يؤدي إلى انصهار غير متساوٍ. بدأ النظام بإعداد طاقة منخفض، مما أدى إلى إنتاج أجزاء ضعيفة وهشة. وإدراكاً منه للفشل، رفع النظام كثافة الطاقة للدفعة التالية. تحسنت النتائج بشكل كبير، حيث تضاعفت قوة الأجزاء تقريباً. ثم قام النظام بتعديل نهائي دقيق على درجة حرارة السطح، مما ساعد المادة على الانصهار بشكل أكثر تجانساً عبر سرير الطباعة بأكمله. لم تكن الأجزاء النهائية قوية فحسب، بل كانت متسقة أيضاً، حيث تجاوزت بعض القياسات حتى القيم المرجعية المقدمة من الشركة المصنعة للمادة.

إن ما يجعل هذا العمل مهماً ليس فقط أن الآلة طبعت أجزاءً قوية، بل كيف وصلت إلى ذلك. لم يعتمد النظام على دليل تشغيل مكتوب مسبقاً أو مجموعة ثابتة من القواعد، بل استخدم نموذج لغة ضخماً لتفسير البيانات من المستشعرات ونتائج الاختبارات، مما جعله "يفكر" فعلياً في المشكلة. كان بإمكانه استرجاع المعلومات من عمليات البناء السابقة، والوصه إلى أوراق البيانات التقنية، والتحكم في البرامج الثابتة (firmware) للآلة لإجراء تعديلات في الوقت الفعلي. وجد الباحثون أن النظام يمكنه التعلم باستمرار من البيانات المحدثة، محولاً عملية عادة ما تكون بطيئة ومتكررة إلى سير عمل ذكي ذاتي التصحيح. وعلى الرغم من أن الآلة المستخدمة في الدراسة كانت تعاني من بعض القيود، مثل مستشعرات أقل دقة مقارنة بالموديلات الصناعية، إلا أن النظام نجح في تجاوز هذه القيود وإيجاد الإعدادات المثلى.

تُظهر هذه الدراسة أن الذكاء الاصطناعي يمكنه الانتقال لما وراء الأتمتة البسيطة ليصبح شريكاً في عملية التصنيع. ومن خلال السماح للآلة بالتعلم من تاريخها، أظهر الباحثون أن المهام المعقدة مثل ضبط طابعة ثلاثية الأبعاد يمكن التعامل معها بمستوى من الكفاءة والقدرة على التكيف لم يكن ممكناً في السابق. نجح النظام في تحسين العملية لثلاث مواد مختلفة، محققاً خصائص ميكانيكية تلبي أو تتجاوز المعايير الصناعية بعد عدد قليل من المحاولات فقط. وهذا يشير إلى مستقبل يمكن فيه سد الفجوة بين التصميم الرقمي والجزء المادي عالي الأداء بسرعة وموثوقية، بتوجيه من "وكيل" لا ينسى أبداً درساً تعلمه.