[論文レビュー] Machine Learning for Materials Developments in Metals Additive Manufacturing

Nari Johnson, Praveen S. Vulimiri+5 more|arXiv (Cornell University)|May 11, 2020

Ion-surface interactions and analysis参考文献 13被引用数 11

ひとこと要約

本論文は、プロセス-構造-特性-性能の関係の複雑で多次元的な設計空間をモデル化することで、金属アディティブマニュファクチャリング（AM）における材料開発の加速を目的として、機械学習（ML）を統合する手法を提案する。実証されたML技術（材料科学分野で既に適用されているもの）を応用することで、プロセス最適化、データキュレーション、リアルタイム監視の向上が可能となり、主な貢献はMLツールの統合、物理に基づくモデリング、AM向けのデータ標準化に集約される。

ABSTRACT

In metals additive manufacturing (AM), materials and components are concurrently made in a single process as layers of metal are fabricated on top of each other in the near-final topology required for the end-use product. Consequently, tens to hundreds of materials and part design degrees of freedom must be simultaneously controlled and understood; hence, metals AM is a highly interdisciplinary technology that requires synchronized consideration of physics, chemistry, materials science, physical metallurgy, computer science, electrical engineering, and mechanical engineering. The use of modern machine learning approaches to model these degrees of freedom can reduce the time and cost to elucidate the science of metals AM and to optimize the engineering of these complex, multidisciplinary processes. New machine learning techniques are not needed for most metals AM development; those used in other sects of materials science will also work for AM. Most prolifically, the density functional theory (DFT) community has used many of them since the early 2000s for evaluating numerous combinations of elements and crystal structures to discover new materials. This materials technologies-focused review introduces the basic mathematics and terminology of machine learning through the lens of metals AM, and then examines potential uses of machine learning to advance metals AM, highlighting the many parallels to previous efforts in materials science and manufacturing while also discussing new challenges and adaptations specific to metals AM.

研究の動機と目的

• 金属アディティブマニュファクチャリング（AM）におけるプロセスパラメータ、材料組成、部品形状の複数のパラメータを同時に制御する課題に対処し、従来の物理ベースのモデリングが困難であることを明らかにすること。
• 現在の統合計算材料工学（ICME）手法の限界を、データ駆動型の機械学習を活用することで克服し、材料の発見と最適化を加速すること。
• プロセスモニタリング、トポロジー最適化、合金設計を含む既存のICMEツールとMLを統合することで、AMの迅速化と信頼性向上を実現すること。
• 材料科学分野の成功事例（例：Materials Project）を模倣し、共有データベースと一貫したデータキュレーションを活用して、AM分野におけるデータの民主化と標準化を促進すること。
• 第一原理シミュレーションとMLを組み合わせた物理に基づくデータ駆動型モデルを開発することで、ハイブリッドマニュファクチャリングを前進させ、プロセス制御と微細組織予測の精度を向上させること。

提案手法

• プロセスパラメータ、材料組成、部品形状、ビルド条件を含む設計空間を定義することで、AMを機械学習の問題として定式化する。
• 実験データおよびシミュレーションデータを用いて、PSPP（プロセス-構造-特性-性能）関係をモデリングするため、教師ありおよび教師なしのML手法を適用する。
• 特徴量化とデータキュレーションパイプラインを活用し、熱履歴、溶融プールのダイナミクス、微細組織画像などの複雑なAMデータを機械可読な入力に変換する。
• 誤差指標とモデル検証戦略（バイアス-バリアンストレードオフ分析を含む）を実装し、MLモデルの堅牢性と一般化性能を確保する。
• 物理ベースのシミュレーションとMLスラッグ（代理モデル）を結合することで、既存のICMEフレームワークとMLを統合し、微細組織および機械的特性の高速予測を実現する。
• 高精度なイメージングや温度履歴などのリアルタイムセンサデータを解釈するMLを活用し、AMビルド中のフィードバック制御を実現するイン・サイトモニタリングシステムを構築する。

実験結果

リサーチクエスチョン

• RQ1 プロセス、材料、形状の変数が複雑に絡み合う中で、金属AMの多次元的設計空間に機械学習を効果的に適用する方法は何か？
• RQ2 異種のAMデータ（例：画像、熱履歴、機械的試験）をML入力として利用可能にするために直面する主なデータキュレーションおよび特徴量化の課題は何か？
• RQ3 物理に基づく機械学習モデルは、純粋にデータ駆動型のアプローチに比べて、AMプロセスの予測精度と信頼性をどのように向上させるか？
• RQ4 標準化された共有データベースは、AM分野におけるML駆動型材料開発をどのように加速できるか。また、その実現に必要なインfraは何か？
• RQ5 イン・サイトでMLベースのモニタリングとフィードバックシステムを活用することで、AM製造中のリアルタイムなプロセス制御と部品品質の向上はどのように達成されるか？

主な発見

• 密度汎関数理論（DFT）コミュニティで既に用いられている機械学習技術は、新たなアルゴリズム開発を要せず、金属AMに直接適用可能である。
• MLモデルは、実験およびシミュレーションデータからトレンドや最適プロセスパラメータを特定することで、AMの複雑で高次元な設計空間の探索にかかる時間とコストを顕著に削減する。
• 既知の熱力学的および動力学的原則を組み込んだ物理に基づくMLモデルは、純粋に経験的なモデルに比べ、AM部品の微細組織および機械的挙動の予測精度が優れている。
• Materials Project や OQMD などのイニシアチブを模倣した標準化されたデータフォーマットと共有データベースは、AM分野におけるデータ共有、モデルの一般化、再現可能性を実現する上で不可欠である。
• 高速撮影および熱履歴データに対するイン・サイトでのML解析により、リアルタイムのプロセスモニタリングとフィードバック制御が可能となり、欠陥の低減と部品の一貫性向上の可能性が示された。
• MLをICMEフレームワークに統合することは実現可能であり、必要不可欠である。その結果、大規模なデータ駆動型・物理に基づく材料工学の新しいパラダイムを確立する可能性を有する。