1. Интеллектуальное обнаружение и оптимизация в переработке полезных ископаемых
В области очистки руды на обогатительной фабрике внедрена Система распознавания изображений на основе глубокого обучения для анализа руды в реальном времени. Алгоритмы ИИ точно определяют физические характеристики руды (например, размер, форму, цвет) для быстрой классификации и просеивания высококачественной руды. Эта система снизила частоту ошибок традиционной ручной сортировки с 15% до 3%, одновременно увеличив эффективность обработки на 50%.
Анализ: Заменяя человеческий опыт технологией визуального распознавания, ИИ не только снижает затраты на рабочую силу, но и повышает чистоту сырья, закладывая надежную основу для последующих этапов очистки.
2. Контроль параметров в производстве полупроводниковых материалов
Intel использует Система управления на основе искусственного интеллекта в производстве полупроводниковых пластин для мониторинга критических параметров (например, температуры, потока газа) в таких процессах, как химическое осаждение из паровой фазы (CVD). Модели машинного обучения динамически корректируют комбинации параметров, снижая уровень примесей в пластинах на 22% и увеличивая выход на 18%.
Анализ: ИИ фиксирует нелинейные зависимости в сложных процессах с помощью моделирования данных, оптимизируя условия очистки для минимизации удержания примесей и повышения чистоты конечного материала.
3. Проверка и валидация электролитов литиевых батарей
Microsoft сотрудничала с Тихоокеанской северо-западной национальной лабораторией (PNNL) для использования Модели ИИ для проверки 32 миллионов материалов-кандидатов, идентифицируя твердотельный электролит N2116. Этот материал снижает использование металлического лития на 70%, снижая риски безопасности, вызванные реактивностью лития во время очистки. ИИ завершил проверку за несколько недель — задача, которая традиционно занимала 20 лет.
Анализ: Высокопроизводительный вычислительный скрининг с использованием искусственного интеллекта ускоряет обнаружение высокочистых материалов, одновременно упрощая требования к очистке за счет оптимизации состава, баланса эффективности и безопасности.
Общие технические идеи
- Принятие решений на основе данных: ИИ объединяет экспериментальные и имитационные данные для отображения взаимосвязей между свойствами материалов и результатами очистки, что значительно сокращает циклы проб и ошибок.
- Многомасштабная оптимизация: От атомного уровня (например, скрининг N21166 ) до параметров процесса на макроуровне (например, производство полупроводников5 ) ИИ обеспечивает межмасштабную синергию.
- Экономическое воздействие: Эти случаи демонстрируют снижение затрат на 20–40% за счет повышения эффективности или сокращения отходов.
Эти примеры иллюстрируют, как ИИ меняет технологии очистки материалов на нескольких этапах: предварительная обработка сырья, управление процессом и проектирование компонентов.
Время публикации: 28-03-2025