Дальневосточные ученые научили нейросеть управлять лазером для создания многоцветных изображений на стали

Исследователи Дальневосточного федерального университета (ДВФУ) совместно с коллегами из ИАПУ ДВО РАН и Харбинского технологического института разработали метод лазерной обработки металлов с управлением при помощи нейросети. Технология позволяет создавать на поверхности нержавеющей стали нанобороздки, которые формируют разные цвета за счет дифракции света. Такие метки невозможно подделать или стереть. Они могут использоваться для защиты товаров от подделок, а также для создания деталей спектрометров или оптических датчиков, расщепляющих свет на цвета.

При многократном импульсном лазерном облучении гладкая поверхность металла покрывается регулярными нанобороздками — лазерно-индуцированными периодическими поверхностными структурами (LIPSS). В медицине такой микрорельеф помогает клеткам лучше закрепляться на поверхности имплантатов. Еще одно применение — управление смачиваемостью: вода на такой поверхности может собираться в капли и скатываться, унося с собой грязь, а может растекаться тонким слоем, что необходимо   для самоочищающихся покрытий, защиты от обледенения и лабораторных чипов, где с помощью крошечных капель проводят анализы.

Одно из интересных свойств LIPSS — структурная окраска. Когда свет падает на бороздки, он распадается на радужные оттенки. При этом расстояние между бороздками задает длину волны, то есть цвет, а наклон — направление и интенсивность дифракции. Изображение становится частью самого металла, а не покрытием: его невозможно стереть или подделать.

Долгое время управлять этими двумя параметрами — периодом и наклоном бороздок — одновременно и независимо не получалось. Они связаны друг с другом и зависят от угла падения лазерного луча и его поляризации. Любое отклонение вносило хаос в геометрию, и вместо красивого узора на металле появлялась беспорядочная тусклая рябь.

Авторы предложили усовершенствовать технологию: они собрали многокоординатную лазерную установку сразу с пятью осями движения. Она позволяет одновременно менять угол падения   луча   в диапазоне от −30 до +30 градусов и угол поляризации (направление колебаний света) от 0 до 180 градусов. Однако из-за побочных оптических эффектов (искажение фокусного пятна при угловом падении, изменение отражающей способности стали и т.д.) прямое управление по простым формулам не давало нужной точности. На помощь пришла нейросеть, которая   позволила напечатать на металле многоцветное изображение, в котором каждый цветовой оттенок задавался участками с нанобороздками определенного периода и ориентации.

«Мы использовали два нейросетевых модуля. Первый — нейронная сеть обратного распространения ошибки — помог нам оптимизировать основные параметры лазерной обработки: энергию импульса, эффективное число импульсов и шаг между сканирующими линиями, чтобы добиться максимально ровных и регулярных бороздок. Вторую нейросеть мы обучили на 130 экспериментальных наборах данных устанавливать прямую связь между углами падения и поляризации, с одной стороны, и результирующим периодом и ориентацией структур LIPSS — с другой», — рассказал один из авторов исследования, сотрудник ДВФУ и ИАПУ ДВО РАН Александр Кучмижак.

Оптимизация параметров лазерной обработки с помощью нейросети позволила снизить разброс ориентации нанобороздок до минимального значения около 6,5 градусов, сделав их почти параллельными. Раньше при случайном подборе они отклонялись друг от друга в среднем на 47 градусов, что приводило к тусклым цветам при дифракции цвета на такой слабо упорядоченной структуре.

«Наш подход универсален. Он применим не только к нержавеющей стали, но и к другим металлам и полупроводникам, которые поддерживают формирование структур типа LIPSS. Более того, предложенная схема с пятью осями позволяет в будущем создавать такие структуры не только на плоских, но и на изогнутых поверхностях — например, на деталях сложной формы», — отметил ученый.

По словам авторов, предложенный подход открывает новые возможности для быстрого и точного лазерного нанотекстурирования с обратной связью на основе машинного обучения. Потенциальные применения включают производство защитных голографических меток, оптических элементов, биосовместимых поверхностей и сенсоров.

Источник: Официальный ресурс Министерства образования и науки Российской Федерации