למידת מכונה מוגדרת על ידי פיזיקה להסבר רב-תגובות למידול של חישול אלקטרוכימי מיקרו באמצעות אלקטרודות גרפיט פולימריות

רכיבים קטנים יותר, מכונות חכמות יותר

ממשתלות רפואיות ועד לערוצים זעירים באלקטרוניקה — מוצרים מודרניים נשענים על מאפיינים מיקרוסקופיים המגולפים לתוך מתכות קשוחות. ייצור המבנים האלה בצורה נקייה ומדויקת קשה, וכל ניסוי לכיול התהליך גובה זמן וכסף. מחקר זה מראה כיצד שיתוף פיזיקה עם למידת מכונה יכול לסייע למהנדסים לחזות כיצד שיטה ייחודית של עיבוד תתנהג, כדי להגיע להגדרות טובות יותר עם פחות ריצות ניסוי.

איך מעצבים מתכת בלי חיתוך

העבודה מתמקדת בחישול אלקטרוכימי מיקרו, שיטה המעצבמת מתכת לא על ידי חיתוך אלא על ידי התמוססות מבוקרת. כלי חודד מבוסס גרפיט מתקרב מאוד לחלק מפלדת אל-חלד בתוך תמיסה מלוחה זורמת, ודופקי זרם קצרים גורמים למשטח המתכת להתמוסס במקום בו השדה החשמלי החזק ביותר. גישה זו מייצרת חורים וערוצים זעירים כמעט ללא שחיקה של הכלי ולחץ מכאני מועט, מה שהופך אותה לאטרקטיבית עבור רכיבים תעופתיים, מכשירי רפואה ואלקטרוניקה מיקרו. עם זאת, התהליך קשה לשליטה מכיוון שמספר גורמים — כמו מתח, ריכוז המלחים ומחזור הדופק — מתקשרים זה עם זה בצורה מורכבת.

מדוע חומר הכלי משנה את התוצאה

החוקרים השוו שני סוגי אלקטרודות גרפיט פולימריות: גרסה סטנדרטית ואחת שטופלה בקירור קיצוני (קריוגנית), כלומר מקוררת לטמפרטורות נמוכות מאוד כדי לשנות את המבנה הפנימי שלה. תחת מיקרוסקופ פני הכלי הבלתי מטופל נראו גסים ונקבוביים, בעוד שהכלי המטופל הופיע חלק ואחיד יותר. הבדלים אלה תורגמו לצורה ולאיכות החורים הזעירים שיוצרו. חורים שנוצרו עם הכלי הבלתי מטופל נטו לפתחים רחבים יותר, קירות מתחדדים ומשטחים גסים יותר, בעוד חורים שהופקו עם הכלי המטופל היו עגולים יותר, ישרים וחלקים. תצפיות אלה אישרו שמצב הכלי משפיע משמעותית על אופן התמוססות המתכת וסיפקו בסיס פיזיקלי לכלילת מצב הכלי במידול.

ללמד מודל לכבד את הפיזיקה

במקום להזין למודל למידת מכונה רק הגדרות גולמיות כמו מתח וריכוז מלחים, הצוות בנה תכונות קלט נוספות המשקפות את אופן פעולת התהליך בפועל. מונחה על ידי אלקטרוכימיה, הם שילבו משתנים לטרמינים שמייצגים את חומרת העומס החשמלי הכוללת ואת האינטראקציה בין דופקיה החשמליים לתכונות התמיסה. באמצעות מערך קטן אך מתוכנן בקפידה של 34 ניסויים, הם אימנו מודלים מצבוריים לחזות ארבע תוצאות מרכזיות בו־זמנית: קצב הסרת החומר, כמה החור חורג מהגודל של הכלי, עד כמה הקירות מתחדדים, וכמה פני השטח מתעוררים במחוספסות. הם השוו את המודלים המונחים-פיזיקלית להתאמות פולינומיות מסורתיות ולמודלים שהשתמשו רק בקלטים הבסיסיים.

להביט בתוך ההחלטות של המודל

המודלים המונחים פיזיקלית חזו בעקביות תוצאות בדיוק גבוה יותר מאשר המשוואות המסורתיות ומהגרסאות המבוססות-נתונים בלבד. לדוגמה, המודל הטוב ביותר הסביר מעל 90 אחוז מהמגוון ב־overcut וכ־87 אחוז מהמגוון במחוספסות פני השטח. לא פחות חשוב מכך, החוקרים השתמשו בכלי AI להסבר כדי לראות אילו קלטים השפיעו ביותר. תכונות שקידדו השפעות משולבות של מתח, מחזור הדופק וריכוז האלקטרוליט שלטו בחיזויים, בהתאמה לציפיות האלקטרוכימיות. מצב הכלי גם הופיע כגורם מכריע בדיוק הגיאומטרי ואיכות המשטח. בדיקות שאריות ומבחנים עם נתונים משוטחים אישרו שהשגיאות הנותרות היו ברובן אקראיות ולא סימנים לטרנד חסר שהמודל פספס.

הכוונה להגדרות טובות יותר וכלים עתידיים

על ידי הפיכת כמה ניסויים מתוכננים היטב למנבא מהימן ומבוסס פיזיקה, עבודה זו מציעה דרך לחקור הגדרות תהליך במחשב במקום לבצע הכל על רצפת המפעל. המודל יכול ליצור מפות חלקות המראות כיצד שינויים במתח או בעוצמת התמיסה ישפיעו על קצב הסרת החומר, גודל החור, ההתחדדות והמחוספסות, והוא מדגיש אזורים יציבים רחבים יותר לתפעול כאשר משתמשים בכלים שעובדו קריוגנית. עבור מהנדסים, משמעות הדבר היא כיול מהיר יותר למטלות חדשות, הבנה ברורה יותר של פשרות בין מהירות לאיכות, ונתיב לעבר תאומות דיגיטליות ובקרת הסתגלות בחישול אלקטרוכימי מיקרו.

ציטוט: Reddy, B.V.S., Pradeep, N., Bhaskar, A.S. et al. Physics-guided explainable machine learning for multi-response modeling of electrochemical micro-machining using polymer graphite electrodes. Sci Rep 16, 15623 (2026). https://doi.org/10.1038/s41598-026-46315-1

מילות מפתח: חישול אלקטרוכימי מיקרו, למידת מכונה מונחית פיזיקה, מחוספסות פני השטח, מיקרו-ייצור, אלקטרודה גרפיט פולימרית