Sim-to-Real Transfer Learning for Real-Time Melt Pool Geometry Prediction in Directed Energy Deposition

金属製造は、長らく材料を溶融させ、極めて精密に融合させる能力、すなわち複雑な部品を一層ずつ積み上げて構築するプロセスに依存してきました。指向性エネルギー堆積（directed energy deposition）として知られる一つの高度な技術では、強力なレーザービームが金属粉末を噴射しながら溶融させ、小さな光り輝く溶融池（molten pool）を作り出します。この溶融池の形状とサイズが、最終的な部品が強固で欠陥のないものになるか、あるいは隠れた亀裂や弱点に満ちたものになるかを決定します。問題は、この池の最も重要な部分、つまり金属がどの程度の深さまで溶けるかという「深さ」が表面の下で起こる現象であり、肉眼では見えず、機械が稼働している最中に測定することも不可能であるということです。数十年にわたり、エンジニアたちは、プロセスが正しく機能したかどうかを確認するために、機械を停止させ、部品を切り開いて顕微鏡で検査しなければなりませんでした。これは、リアルタイムの修正の余地を残さない、遅くて破壊的な手法でした。

スティーブンス工科大学の研究チームは、目に見えないものを見るための新しい方法を開発しました。彼らは、表面に見える熱パターンとレーザーの設定のみを使用して、隠れた溶融池の深さをリアルタイムで予測する人工知能を用いたシステムを構築しました。コンピュータにまず膨大なコンピュータ・シミュレーションのライブラリから学習させ、次に少量の実世界のデータを用いてその知識を洗練させることで、印刷プロセスを監視し、金属がどの程度深く溶けているかを即座にオペレーターに伝えるモデルを構築したのです。このアプローチは、理論物理学と、工場の現場における混沌とした現実との間の溝を埋めるものであり、完成後に検査するのではなく、製造しながら監視し、修正を行う部品の製造への道を開くものです。

この分野における核心的な課題は、溶融池が束の間の、混沌とした事象であることです。レーザーが金属上を移動するにつれ、それは絶えず変化する池を作り出し、熱は外側へと放射され、金属は複雑な方法で流動します。カメラは表面上の池の幅を容易に捉えることができますが、深さは部品が破壊されるまで謎のままです。これを解決するために、研究者たちは「転移学習（transfer learning）」と呼ばれる手法を採用しました。これは、学生が実際の研究所に足を踏み入れる前に、静かな教室で物理学の教科書を何年も読み、何千もの練習問題を解く様子を想像してみてください。その学生はすでに世界の根本的なルールを理解しているため、ようやく特定の実験に直面したとき、そのセットアップの詳細を学ぶための時間ははるかに少なくて済みます。研究者たちは、この同じ論理をコンピュータモデルに適用しました。

まず、彼らは物理ベースのコンピュータ・シミュレーションを用いて、大規模なデータセットを生成しました。ステンレス鋼がレーザーによって加熱される挙動をモデル化し、レーザー出力、速度、スポットサイズを変化させた1,300以上の異なるシナリオを作成しました。この仮想の世界では、コンピュータは作成されたすべての溶融池の正確な深さと幅を知っています。彼らは、このシミュレーションデータを使用して、パターンの認識に特化した一種の人工知能である複雑なニューラルネットワークを訓練しました。ネットワークは、表面の熱パターンと、その下に隠れた深さとの関連性を学習し、関与する物理学の堅牢な理解を構築しました。しかし、研究者たちは、完璧なコンピュータ・シミュレーションのみで訓練されたモデルは、実機のノイズ、反射、不完全性に直面した際に苦戦することを知っていました。

このギャップを埋めるために、彼らは事前学習済みのモデルを取り出し、少量の実世界の実験データを用いて微調整（ファインチューニング）を行いました。彼らは実際の機械を用いてシングルトラックの印刷実験を行い、溶融池の高速度赤外線画像をキャプチャしました。コンピュータに実際の溶融池がどのように見えるかを教えるために、印刷されたトラックを切り開き、顕微鏡下で実際の深さと幅を測定しなければなりませんでした。すべてのビデオフレームに対して測定を行うことはできなかったため、統計的な手法を用いて、これらの測定値を画像に割り当て、約550枚のラベル付き画像からなるトレーニングセットを作成しました。この実データをモデルに投入した際、ネットワークは、クリーンなシミュレーションとノイズの多い現実世界の間の差異を考慮して、内部設定を調整しました。

結果として、この二段階のアプローチは、限られた実世界のデータのみを使用してゼロからモデルを訓練することよりも、はるかに優れていることが示されました。研究者が新しい未知の印刷ジョブに対してモデルをテストした際、シミュレーションの助けを得て訓練されたシステムは、エラーが大幅に少なくなりました。池の幅の予測において、シミュレーション支援モデルの精度は約7パーセント以内でしたが、実データのみで訓練されたモデルの誤差は30パーセント近くに達しました。差は、予測がより困難な変数である「深さ」においてさらに劇的でした。シミュレーション支援モデルは、約22パーセントの誤差で深さを予測しましたが、シミュレーションの助けなしに訓練されたモデルは、目標から75パーセント近く外れていました。データが極端に乏しい最も困難なケースにおいて、シミュレーション訓練モデルは高いレベルの精度を維持しましたが、もう一方のモデルは正しいパターンを学習することさえできませんでした。

また、研究者たちは、システムが二種類の情報、すなわち溶融池の熱画像と特定のレーザー設定を組み合わせたときに最も効果的に機能することを発見しました。画像は熱の視覚的な形状を提供し、それが幅の決定に役立ち、一方でレーザー設定は、深さを推測するために必要なエネルギーの文脈を提供しました。コンピュータが一度も見聞きしたことのない設定を用いた6つの異なる印刷ジョブに対してリアルタイムでシステムをテストした際、システムはレーザーが移動するにつれて、池の形状の変化を正常に追跡できました。システムは、部品の強度低下を招くことが多い「池が浅すぎる状態」を正しく特定しましたが、支援のないモデルは一貫して深さを過大評価し、これらの欠陥を見逃しました。

この研究は、膨大な数の高価で時間のかかる実験を必要とせずに、物理シミュレーションの力を製造の実世界に持ち込むことが可能であることを示しています。シミュレーションによってAIにゲームのルールを教え、実データによって特定の機械の細部を教えることで、研究者たちは正確かつ効率的なツールを作り上げました。このシステムは単に数値を予測するだけでなく、製造プロセスが行われている最中にその健全性を監視する方法を提供しており、将来的には、欠陥を防ぐために機械が自律的に調整を行うことを可能にするかもしれません。技術はまだ洗練されている段階ですが、本研究は、コンピュータモデルの明晰さと物理実験の現実を組み合わせることが、リアルタイムでの対処が極めて困難と考えられていた問題を解決できることを証明しています。