1. Pažangus aptikimas ir optimizavimas mineralų apdorojime
Rūdų valymo srityje mineralų perdirbimo gamykla pristatėgilaus mokymosi pagrindu sukurta vaizdų atpažinimo sistemarūdai analizuoti realiuoju laiku. Dirbtinio intelekto algoritmai tiksliai nustato rūdos fizines savybes (pvz., dydį, formą, spalvą), kad galėtų greitai klasifikuoti ir atrinkti aukštos kokybės rūdą. Ši sistema sumažino tradicinio rankinio rūšiavimo klaidų lygį nuo 15 % iki 3 %, tuo pačiu padidindama apdorojimo efektyvumą 50 %.
AnalizėPakeisdamas žmonių patirtį vizualinio atpažinimo technologija, dirbtinis intelektas ne tik sumažina darbo sąnaudas, bet ir padidina žaliavų grynumą, sukurdamas tvirtą pagrindą vėlesniems gryninimo etapams.
2. Parametrų valdymas puslaidininkinių medžiagų gamyboje
„Intel“ naudojaDirbtinio intelekto valdoma valdymo sistemapuslaidininkinių plokštelių gamyboje, siekiant stebėti svarbiausius parametrus (pvz., temperatūrą, dujų srautą) tokiuose procesuose kaip cheminis garų nusodinimas (CVD). Mašininio mokymosi modeliai dinamiškai koreguoja parametrų derinius, sumažindami plokštelių priemaišų lygį 22 % ir padidindami išeigą 18 %.
AnalizėDirbtinis intelektas fiksuoja netiesinius ryšius sudėtinguose procesuose modeliuodamas duomenis, optimizuodamas gryninimo sąlygas, kad sumažintų priemaišų sulaikymą ir pagerintų galutinį medžiagos grynumą.
3. Ličio baterijų elektrolitų patikra ir patvirtinimas
„Microsoft“ bendradarbiavo su Ramiojo vandenyno šiaurės vakarų nacionaline laboratorija (PNNL), kad galėtų naudotiDirbtinio intelekto modeliaiatrinkti 32 milijonus kandidatų į medžiagas, identifikuojant kietojo kūno elektrolitą N2116. Ši medžiaga sumažina ličio metalo sunaudojimą 70 %, taip sušvelnindama saugos riziką, kurią kelia ličio reaktyvumas valymo metu. Dirbtinis intelektas atliko atranką per kelias savaites – užduotį, kuriai tradiciškai prireikdavo 20 metų.
AnalizėDirbtiniu intelektu pagrįstas didelio našumo skaičiavimo atrankos metodas pagreitina didelio grynumo medžiagų atradimą ir tuo pačiu supaprastina gryninimo reikalavimus optimizuojant sudėtį, subalansuojant efektyvumą ir saugą.
Bendros techninės įžvalgos
- Duomenimis pagrįstas sprendimų priėmimasDirbtinis intelektas integruoja eksperimentinius ir modeliavimo duomenis, kad nustatytų ryšius tarp medžiagų savybių ir gryninimo rezultatų, taip smarkiai sutrumpindamas bandymų ir klaidų ciklus.
- Daugialypis optimizavimasNuo atominio lygio susitarimų (pvz., N2116 atrankos 6 ) iki makro lygio procesų parametrų (pvz., puslaidininkių gamybos 5 ), DI įgalina skirtingų lygių sinergiją.
- Ekonominis poveikisŠie atvejai rodo 20–40 % išlaidų sumažėjimą dėl padidėjusio efektyvumo arba sumažinto atliekų kiekio.
Šie pavyzdžiai iliustruoja, kaip dirbtinis intelektas keičia medžiagų valymo technologijas keliais etapais: žaliavų išankstinio apdorojimo, proceso valdymo ir komponentų projektavimo.
Įrašo laikas: 2025 m. kovo 28 d.