AI Agentic Selective Laser Sintering Process Optimization

एक ऐसे फैक्ट्री फ्लोर की कल्पना करें जहाँ मशीनें केवल निर्देशों के एक कठोर सेट का पालन नहीं करती हैं, बल्कि अपनी गलतियों से सीखती हैं, और बेहतर परिणाम प्राप्त करने के लिए अपने व्यवहार को समायोजित करती हैं। यह 'एडिटिव मैन्युफैक्चरिंग' (additive manufacturing) का वादा है, एक ऐसा क्षेत्र जहाँ वस्तुओं को किसी ब्लॉक से तराशने या सांचे में ढालने के बजाय, परत दर परत बनाया जाता है। हालाँकि यह तकनीक डिजाइन में अविश्वसनीय स्वतंत्रता प्रदान करती है, लेकिन एक मजबूत और विश्वसनीय पुर्जा बनाने का मार्ग अक्सर परीक्षण और त्रुटि (trial and error) से भरा होता है। यह प्रक्रिया सटीक सेटिंग्स पर निर्भर करती है—कितनी गर्मी देनी है, लेजर कितनी तेजी से चलेगा, और सामग्री को कैसे तैयार किया जाना है—फिर भी ये सेटिंग्स विशिष्ट मशीन या वातावरण के आधार पर बहुत भिन्न हो सकती हैं। वर्षों तक, इन सेटिंग्स के सही संयोजन को खोजना एक उबाऊ और मैनुअल कार्य रहा है, जिसमें इंजीनियरों को बार-बार नमूने प्रिंट करने, परीक्षण करने, उन्हें तोड़ने और फिर से प्रिंट करने की आवश्यकता होती थी।

कार्नेगी मेलन यूनिवर्सिटी के शोधकर्ताओं की एक टीम ने इस चुनौती के लिए एक नया दृष्टिकोण पेश किया है, जो मानवीय अनुमान को एक ऐसे बुद्धिमान सिस्टम से बदल देता है जो सीखने और अनुकूलित होने में सक्षम है। उन्होंने एक "एजेंटिक" (agentic) सिस्टम विकसित किया है, जो एक प्रकार का आर्टिफिशियल इंटेलिजेंस है जिसे एक जटिल वर्कफ़्लो के भीतर स्वायत्त रूप से कार्य करने के लिए डिज़ाइन किया गया है। केवल एक स्थिर प्रोग्राम का पालन करने के बजाय, यह सिस्टम एक प्रिंट के परिणामों का अवलोकन करता है, इस बात पर तर्क करता है कि क्या गलत या सही हुआ, और फिर अगले प्रयास के लिए सेटिंग्स को बदलने का निर्णय लेता है। इस तर्क शक्ति को पिछले प्रयोगों के डेटाबेस के साथ जोड़कर, यह सिस्टम एक फीडबैक लूप बनाता है जहाँ प्रत्येक विफल या सफल प्रिंट इसे अगले प्रिंट को बेहतर बनाने का तरीका सिखाता है। शोधकर्ताओं ने इस सिस्टम का परीक्षण एक विशेष 3D प्रिंटर पर किया जो प्लास्टिक पाउडर को फ्यूज करने के लिए लेजर का उपयोग करता है, जिसका लक्ष्य ऐसे पुर्जे बनाना है जो सामग्री निर्माताओं द्वारा निर्दिष्ट मजबूती के समान हों।

अध्ययन तीन अलग-अलग प्रकार के प्लास्टिक पाउडर पर केंद्रित था, जिनमें से प्रत्येक अपनी अनूठी कठिनाइयाँ प्रस्तुत करता था। पहला पदार्थ 'ग्लास-फिल्ड नायलॉन' (glass-filled nylon) था, जो एक मजबूत कंपोजिट है जिसका उपयोग अक्सर टिकाऊ पुर्जों के लिए किया जाता है। शोधकर्ताओं ने इस सामग्री के लिए मशीन को मैन्युअल रूप से ट्यून करना शुरू किया, जिससे इस बात का आधार (baseline) स्थापित हुआ कि मशीन कैसे व्यवहार करती है। उन्होंने पाया कि शुरुआती प्रिंट उम्मीद से काफी कमजोर थे, जिनकी कठोरता (stiffness) निर्माता द्वारा दावा की गई मात्रा के एक अंश मात्र थी। मैन्युअल समायोजन की एक श्रृंखला के माध्यम से, वे अंततः ऐसे सेटिंग्स खोजने में सफल रहे जिन्होंने वांछित मजबूती वाले पुर्जे बनाए, लेकिन इस प्रक्रिया में उन्हें प्रिंटिंग और परीक्षण के पंद्रह अलग-अलग बैचों की आवश्यकता पड़ी। इस मैनुअल प्रयास ने एक महत्वपूर्ण प्रशिक्षण स्थल के रूप में कार्य किया, जिसने वह डेटा प्रदान किया जिसकी बुद्धिमान सिस्टम को बाद में सीखने के लिए आवश्यकता थी।

जब सिस्टम तैयार हो गया, तो इसे दूसरे पदार्थ के लिए प्रक्रिया को अनुकूलित करने का कार्य सौंपा गया, जो एक ऐसा नायलॉन है जो अपनी मजबूती के लिए जाना जाता है लेकिन इसे प्रिंट करना कठिन है क्योंकि इसके लिए एक बहुत ही विशिष्ट वातावरण की आवश्यकता होती है। सिस्टम को निर्माता के मजबूती संबंधी विनिर्देशों (specifications) से मेल खाने का लक्ष्य दिया गया था। इसने परीक्षण पैच का एक छोटा ग्रिड प्रिंट करना शुरू किया, जिसमें से प्रत्येक में थोड़े अलग सेटिंग्स थीं, ताकि यह देखा जा सके कि कौन सा संयोजन सबसे अच्छा काम करता है। परिणामों का विश्लेषण करने के बाद, सिस्टम ने अगले बैच के लिए अपनी रणनीति को समायोजित किया। इसने पाउडर पर लगाई जाने वाली ऊर्जा को बढ़ाया और तापमान में बदलाव किया, जिससे उसने पिछले विफलताओं से सीखा। प्रत्येक नए बैच के साथ, सिस्टम ने छोटे, गणनात्मक परिवर्तन किए। इसने केवल अनुमान नहीं लगाया; इसने अगले कदम के बारे में तर्क करने के लिए पिछले प्रिंट्स के डेटा का उपयोग किया। कुछ ही पुनरावृत्तियों (iterations) के भीतर, सिस्टम ने ऐसे पुर्जे बनाने में सफलता प्राप्त की जिनके यांत्रिक गुण निर्माता के उच्च मानकों के करीब थे, एक ऐसा कार्य जिसे एक इंसान को परीक्षण और त्रुटि के माध्यम से करने में बहुत अधिक समय लगता।

अंतिम परीक्षण में दो अलग-अलग नायलों का एक कस्टम मिश्रण शामिल था, जिसे शोधकर्ताओं ने यह देखने के लिए बनाया था कि क्या सिस्टम उस सामग्री को संभाल सकता है जिसे इस मशीन पर पहले कभी प्रिंट नहीं किया गया था। यह मिश्रण जटिल था क्योंकि इसका एक घटक दूसरे की तुलना में लेजर लाइट को अलग तरह से अवशोषित करता था, जिससे असमान पिघलाव (uneven melting) की स्थिति पैदा होती थी। सिस्टम ने कम ऊर्जा सेटिंग के साथ शुरुआत की, जिसके परिणामस्वरूप पुर्जे कमजोर और भंगुर (brittle) निकले। इस विफलता को पहचानते हुए, सिस्टम ने अगले बैच के लिए ऊर्जा घनत्व (energy density) को बढ़ा दिया। परिणाम नाटकीय रूप से सुधरे, जिससे पुर्जों की मजबूती लगभग दोगुनी हो गई। सिस्टम ने फिर सतह के तापमान में एक अंतिम, सूक्ष्म समायोजन किया, जिसने सामग्री को पूरे प्रिंट बेड पर अधिक समान रूप से पिघलने में मदद की। अंतिम पुर्जे न केवल मजबूत थे बल्कि सुसंगत भी थे, जिनमें से कुछ मापनों ने सामग्री निर्माता द्वारा दिए गए संदर्भ मानों (reference values) को भी पार कर लिया।

जो बात इस कार्य को महत्वपूर्ण बनाती है वह केवल यह नहीं है कि मशीन ने मजबूत पुर्जे प्रिंट किए, बल्कि यह है कि वह वहां तक कैसे पहुँची। सिस्टम ने किसी पूर्व-लिखित मैनुअल या निश्चित नियमों पर भरोसा नहीं किया। इसके बजाय, इसने सेंसरों और परीक्षण परिणामों से डेटा की व्याख्या करने के लिए एक 'लार्ज लैंग्वेज मॉडल' (large language model) का उपयोग किया, जो प्रभावी रूप से समस्या के माध्यम से "सोच" सकता था। यह पिछले बिल्ड्स की जानकारी को याद रख सकता था, तकनीकी डेटा शीट तक पहुँच सकता था, और वास्तविक समय में समायोजन करने के लिए मशीन के फर्मवेयर को नियंत्रित कर सकता था। शोधकर्ताओं ने पाया कि सिस्टम अपडेट किए गए डेटा से निरंतर सीख सकता है, जिससे एक ऐसी प्रक्रिया जो आमतौर पर धीमी और दोहराव वाली होती है, एक बुद्धिमान, स्व-सुधार वाले वर्कफ़्लो में बदल जाती है। हालाँकि अध्ययन में उपयोग की गई मशीन की कुछ सीमाएँ थीं, जैसे औद्योगिक मॉडलों की तुलना में कम-रिज़ॉल्यूशन वाले सेंसर, फिर भी सिस्टम ने इन बाधाओं के बावजूद अनुकूलतम सेटिंग्स खोजने में सफलता प्राप्त की।

यह अध्ययन प्रदर्शित करता है कि आर्टिफिशियल इंटेलिजेंस साधारण ऑटोमेशन से आगे बढ़कर विनिर्माण प्रक्रिया में एक भागीदार बन सकता है। मशीन को उसके अपने इतिहास से सीखने की अनुमति देकर, शोधकर्ताओं ने दिखाया है कि 3D प्रिंटर को ट्यून करने जैसे जटिल कार्यों को दक्षता और अनुकूलन क्षमता के उस स्तर के साथ संभाला जा सकता है जो पहले पहुंच से बाहर था। सिस्टम ने सफलतापूर्वक तीन अलग-अलग सामग्रियों के लिए प्रक्रिया को अनुकूलित किया, और केवल कुछ ही प्रयासों में उद्योग के मानकों के अनुरूप या उनसे बेहतर यांत्रिक गुण प्राप्त किए। यह सुझाव देता है कि एक ऐसा भविष्य जहाँ डिजिटल डिज़ाइन और एक भौतिक, उच्च-प्रदर्शन वाले पुर्जे के बीच के अंतर को तेजी से और विश्वसनीयता से भरा जा सकता है, जिसका मार्गदर्शन एक ऐसे एजेंट द्वारा किया जाएगा जो सीखे गए सबक को कभी नहीं भूलता।