HP y NVIDIA colaboran en un gemelo digital de fabricación de código abierto

HP 3D Printing y NVIDIA Modulus anunciaron una colaboración para desarrollar un gemelo digital de fabricación de código abierto, aprovechando el aprendizaje automático basado en la física (physics-ML). Esta asociación tiene como objetivo fomentar la innovación en las aplicaciones de ingeniería de IA mediante la integración de leyes físicas en el proceso de aprendizaje, según Blog de tecnología de NVIDIA.

Progreso en física-ML

Physics-ML es un campo en crecimiento que integra leyes físicas en modelos de aprendizaje automático, mejorando la generalización y eficiencia de las redes neuronales. NVIDIA Modulus, un marco de código abierto, facilita la creación, el entrenamiento y el ajuste de estos modelos con una sencilla interfaz de Python. El marco proporciona aplicaciones de referencia para ayudar a los expertos en el campo a aplicar física-ML a casos de uso del mundo real.

El equipo de Gemelo Digital de la Organización de Software de Impresión 3D de HP utilizó modelos físicos de aprendizaje automático para su gemelo digital de fabricación y contribuyó con este trabajo a Modulus. HP, líder en fabricación aditiva, pretende acelerar la integración de nuevas aplicaciones y la adopción de esta tecnología en entornos de producción. El Dr. Jun Zeng, tecnólogo distinguido de HP, destacó la importancia de los motores de simulación física basados ​​en la variabilidad del proceso de fabricación, destacando las importantes aceleraciones logradas a través de modelos de aprendizaje automático físico bien entrenados.

Gemelos digitales en fabricación aditiva

HP tiene una rica historia de innovación tecnológica, incluido el desarrollo de la tecnología de inyección de tinta térmica. La última innovación de la empresa, HP Metal Jet, permite la producción de piezas metálicas 3D de calidad industrial. HP está desarrollando un gemelo digital para la tecnología Metal Jet para optimizar los parámetros de diseño y el control de procesos, mejorando la calidad de las piezas y el rendimiento de fabricación.

El equipo de HP creó el modelo Virtual Foundry Graphnet, aplicando física-ML para acelerar el cálculo de las transiciones de fase de materiales en polvo metálico. Este modelo logró importantes aceleraciones, lo que permitió una emulación de alta fidelidad casi en tiempo real del proceso de sinterización de metales. El modelo también demostró su aplicabilidad a diversos diseños geométricos y configuraciones de parámetros de proceso.

Innovación en física-aprendizaje automático en HP

Aunque el aprendizaje automático físico aún está en su infancia, el equipo de HP Digital Twin cree en el papel de la comunidad de código abierto para acelerar su desarrollo. Al hacer que Graphnet Virtual Foundry sea de código abierto a través de NVIDIA Modulus, HP se ha unido a la comunidad de código abierto de ML físico. Las simulaciones físicas tradicionales de alta fidelidad requieren un uso computacional intensivo y, a menudo, requieren horas o días para una iteración del diseño. Los modelos sustitutos de ML físico proporcionan una emulación de alta fidelidad, lo que permite iteraciones de diseño más rápidas.

Los modelos sustitutos físicos basados ​​en ML ahora permiten comentarios instantáneos sobre la capacidad de fabricación del diseño del producto y el control automatizado del diseño. Estos modelos también permiten a los equipos de diseño de productos utilizar datos de simulaciones anteriores como fuente de datos de referencia. La integración del diseño de productos y las optimizaciones de fabricación, que tradicionalmente requerían múltiples iteraciones entre departamentos, ahora se puede acelerar significativamente.

El software de simulación de física de procesos de HP, Digital Sintering, se ha implementado entre los clientes de HP Metal Jet para mejorar los resultados de fabricación. Hacer funcionar un motor de inferencia de sinterización de metales bien entrenado tarda solo unos segundos en obtener el valor final de la deformación de sinterización, lo que reduce significativamente el tiempo necesario para las iteraciones de diseño.

Empoderar a los investigadores

Los modelos sustitutos de Physics-ML están a la vanguardia de los flujos de trabajo de simulación casi en tiempo real. Innovaciones como Virtual Foundry Graphnet demuestran el poder de la IA para acelerar los flujos de trabajo de simulación y ofrecer predicciones en segundos. democratizar la IA para la fabricación es clave para permitir que una gama más amplia de innovadores resuelvan los desafíos de la industria.

Los investigadores de IA y el equipo de impresión 3D de HP utilizan el proyecto NVIDIA Modulus de código abierto para colaborar con expertos en el campo. NVIDIA apoya a la comunidad de investigación de aprendizaje automático de física proporcionando una plataforma que mejora la colaboración y la innovación, garantizando que las herramientas avanzadas de IA sean accesibles para todos.

Fuente de la imagen: Shutterstock