Rozpoczęcie prac nad projektem badawczym „Automated, Adaptive and Uncertainty-Aware Smart Measurements using Machine Learning” (A3SmartML) miało miejsce podczas spotkania inaugurującego w dniach 3 i 4 czerwca 2025 roku na Uniwersytecie w Salerno. Projekt, który rozpoczął się w maju i jest planowany na okres trzech lat, ma na celu opracowanie inteligentnych strategii pomiarowych, aby znacząco zwiększyć efektywność pomiarów wielowymiarowych. A3SmartML łączy międzynarodową wiedzę z kilku krajowych instytutów metrologicznych, uniwersytetów i firm pod koordynacją Fizyczno-Technicznego Federalnego Urzędu (PTB) w Niemczech i jest finansowany przez Europejskie Partnerstwo w Metrologii (EPM).
Pomiary wielowymiarowe są kluczowymi technologiami w metrologii i umożliwiają zastosowania takie jak charakteryzacja materiałów za pomocą obrazowania w skali nano oraz kontrola jakości półprzewodników poprzez mapowanie fotoprądu o rozdzielczości megapikselowej. Jednak te procedury często charakteryzują się długimi czasami pomiaru, co w praktycznym zastosowaniu prowadzi do problemów, ponieważ czas w dużych zakładach produkcyjnych lub podczas kontroli jakości na liniach produkcyjnych jest często ograniczony. Te wyzwania podkreślają potrzebę szybszych, bardziej efektywnych i inteligentniejszych metod pomiarowych. Udoskonalenie tych technologii jest również zgodne z europejską strategią na rzecz zrównoważonego rozwoju i cyfryzacji w ramach Przemysłu 4.0 oraz europejskiego Zielonego Ładu.
Zintegrowane podejścia umożliwiają poprawę efektywności pomiarów wielowymiarowych
W celu zwiększenia efektywności pomiarów wielowymiarowych w projekcie tym opracowywane są inteligentne strategie pomiarowe poprzez połączenie narzędzi uczenia maszynowego, kompresji danych, regularyzacji i statystyki bayesowskiej. Oprócz poprawy metod pomiarowych, połączenie uczenia maszynowego z ustalonymi podejściami ze statystyki oraz metodami takimi jak kompresja danych stwarza nowe możliwości zastosowania uczenia maszynowego w metrologii. W kontekście rozważanych podejść uczenia maszynowego opracowywane są wiarygodne metody oceny niepewności, aby umożliwić kontrolę pomiarów z uwzględnieniem niepewności.
Nowo opracowane podejścia znajdują zastosowanie w instrumentach pomiarowych do skanowania hiperspektralnego oraz mapowania fotoprądu półprzewodników. Celem jest opracowanie prototypów eksperymentalnych i demonstracja efektywności inteligentnych pomiarów w tych obszarach. Aby wykazać znaczenie praktycznego zastosowania, procedury będą wdrażane w kilku przypadkach użycia.
Aby uprościć zastosowanie i rozpowszechnienie opracowanych procedur, zostaną udostępnione obszerne przewodniki, udokumentowane oprogramowanie i zbiory danych referencyjnych. Długoterminowy wpływ będzie osiągnięty dzięki ogólnym, zautomatyzowanym i adaptacyjnym rutynom pomiarowym, które mogą być stosowane w szerokim zakresie wielowymiarowych metod pomiarowych. Dzięki temu firmy z sektora przemysłowego będą mogły wykorzystać wyniki projektu, aby poprawić swoje kontrole jakości, a tym samym zmniejszyć koszty i odpady w imię bardziej zrównoważonej produkcji.
W ramach tego projektu WZL RWTH Aachen odgrywa kluczową rolę w opracowywaniu metod oceny niepewności inteligentnych metod pomiarowych i koordynuje działania związane z rozpowszechnianiem wyników projektu wśród odpowiednich grup z nauki, przemysłu oraz w obszarze kształcenia akademickiego w pakiecie roboczym 5 „Tworzenie wpływu”.
Projekt (24DIT03 A3SmartML) jest finansowany przez Europejskie Partnerstwo w Metrologii i współfinansowany przez program badawczo-innowacyjny Horyzont Europa Unii Europejskiej oraz uczestniczące kraje.
Kontakt:
