激光打孔工藝在現代制造業中至關重要，但其參數優化一直是一個復雜的挑戰。傳統的試錯法不僅耗時，而且成本高昂，因此亟需尋找更高效的優化方法。本文將探討如何通過結合機器學習與分子動力學（MD）來實現飛秒激光打孔工藝的優化。
一、激光打孔的挑戰
激光打孔的質量與多個參數密切相關，包括激光功率、頻率和脈沖寬度等。雖然利用物理模型（如雙溫模型TTM和分子動力學MD）可以提供一定的理論支持，但在處理深孔等復雜問題時，傳統模型往往難以進行有效的定量優化。
二、創新方法：分子動力學與機器學習的結合
為了解決傳統方法的局限性，研究者們提出了一種新的過程優化框架，結合了分子動力學模擬、機器學習和高通量優化算法。該框架的關鍵步驟包括：
數據獲?。?/strong>通過分子動力學模擬獲取豐富的物理信息，形成用于訓練機器學習模型的數據集，從而減少了所需的數據量。
模型建立：機器學習快速準確地建立激光參數與目標加工性能之間的回歸模型。
優化工藝：高通量優化算法確定最佳加工參數，以提高加工質量和效率。
三、實驗驗證
圖中描述了燒蝕金屬靶材的過程中的一系列行為以及展示了不同功率下激光的能量分布和不同脈沖寬度激光的峰值功率的差異。
圖中(b)展示了通過分子動力學獲取的參數在皮爾遜相關系數中的結果，LP為激光功率，F為頻率，PW為脈沖寬度，CA為團簇數量，VAA為氣相原子數量，CZ為團簇平均尺寸，AR為燒蝕率，RL為重鑄層厚度，MRR為材料去除率。皮爾遜相關系數表明，絕對值越趨近于1的變量之間相關性越高。設置AR、RL和MRR為加工質量參數，圖中可以看出，CA、VAA與加工質量結果密切相關，證明了MD獲得的物理參數與加工效率和質量具有很高的相關性。圖中(a)為燒蝕羽流中團簇和氣相原子數量隨時間的演化，圖中(c-d)為模型對材料去除率的預測結果，圖中(e-f)為模型對重鑄層厚度的預測結果。
為了驗證機器學習耦合分子動力學模型的有效性，設置了四種工藝。通過對鎳基單晶高溫合金的實驗驗證，四種打孔工藝的微孔截面的微觀結構可以明顯看出，采用機器學習耦合分子動力學的四步沖擊式打孔工藝得到的微孔具有更薄的重鑄層和更小的錐度，驗證了優化工藝的有效性。
四、關鍵發現
提高預測精度：TTM-MD模型的引入有效提高了機器學習模型的預測精度，為工藝設計提供了可靠保障。
優化加工質量：基于機器學習的分階段鉆孔策略顯著提升了微孔的質量和加工效率。
結合機器學習與分子動力學的飛秒激光打孔工藝優化方法，為激光材料加工領域提供了新的解決方案。通過實驗驗證，該方法的有效性得到證實，有望在微孔加工領域發揮更大作用。因此，機器學習引導的工藝參數不斷變化的飛秒激光鉆孔策略可能是優化微孔質量和效率的進一步研究方向。
