تعتبر عملية التصنيع الإضافي (Additive Manufacturing) واحدة من أبرز الابتكارات في عالم الصناعة الحديثة، ولكنها تتطلب ضبطًا دقيقًا للمعايير لتجنب العيوب مثل المسامية. ومع ذلك، كانت الطرق التقليدية في التعلم المعزز (Reinforcement Learning) التي تعتمد على فضاءات الأفعال المنفصلة تعاني من بطء التقدم وقابلية كبيرة للوصول إلى الحلول المحلية، مما ينعكس سلبًا على دقة عمليات التصنيع العالي.
في خطوة رائدة، قدمت دراسة جديدة استراتيجية مبتكرة لمعالجة هذه التحديات من خلال استخدام فضاء مستمر للأفعال، بالتوازي مع بنية جديدة تدمج آلية انتباه متعددة الرؤوس (Multi-Head Attention) مع خوارزمية Soft Actor-Critic (SAC).
تساعد آلية انتباه متعددة الرؤوس على زيادة قدرة الوكيل على التقاط التغيرات الدقيقة في الميزات المدخلة ذات الأبعاد المنخفضة، مما يمكنه من تحقيق توازن أكثر فعالية بين الاستكشاف والاستغلال في فضاءات القيم ذات الحلول المحلية.
قمنا بالتحقق من صحة هذه الطريقة الجديدة في توقع المسامية وتحسين المعايير في صناعة الاندماج بالليزر (Laser Powder Bed Fusion)، حيث أظهرت النتائج تقاربات أسرع وقيم مكافآت نهائية أعلى مقارنةً بالطرق التقليدية للتعلم المعزز مثل DQN وPPO وTD3 وSAC الكلاسيكية.
وقد حققت المنهجية المقترحة قيمة تقارب بلغت 322.79 خلال 14 حلقة، متفوقةً بذلك على الأساليب الحالية، مع الحفاظ على الاستقرار أثناء التدريب.
إن نتائج هذا البحث تعزز من أهمية الابتكار في مجالات التصنيع وتحسين الأداء العام للعمليات الإنتاجية. ما رأيكم في هذا التطور؟ شاركونا في التعليقات.