Neural Networks and Micromechanics

تولید میکرومکانیکی مبتنی بر تجهیزات خرد، امکانات جدیدی را در تولید کالا ایجاد می کند. اگر اندازه ریز تجهیزات قابل مقایسه با اندازه میکرودستگاه های تولیدی باشد، می توان هزینه تولید را به شدت کاهش داد. اجزای اصلی هزینه تولید - مواد، انرژی، مصرف فضا، تجهیزات و نگهداری - با کاهش اندازه تجهیزات کاهش می یابد. برای به دست آوردن تولید واقعاً ارزان، هزینه های نیروی کار باید تقریباً به صفر کاهش یابد. برای این منظور، ریزکارخانه های تمام اتوماتیک توسعه خواهند یافت. برای ایجاد ریزکارخانه‌های کاملاً خودکار، ما استفاده از شبکه‌های عصبی مصنوعی با ساختارهای مختلف را پیشنهاد می‌کنیم. ساده ترین شبکه عصبی پرسپترون مانند را می توان در پایین ترین سطوح سیستم های کنترل میکروکارخانه استفاده کرد. طراحی انتقادی تطبیقی، بر اساس مدل‌های شبکه عصبی اشیاء کارخانه‌ای، می‌تواند برای بهینه‌سازی فرآیند تولید استفاده شود، در حالی که شبکه‌های عصبی تداعی-پیش‌بینی و شبکه‌هایی مانند ART می‌توانند برای بالاترین سطوح سیستم‌های کنترل استفاده شوند. ما عملکرد شبکه‌های عصبی مختلف را در کارهای تشخیص تصویر سنتی و مشکلاتی که در ساخت میکرومکانیکی ظاهر می‌شوند بررسی کرده‌ایم. ما و همکارانمان همچنین رویکردی برای ایجاد تجهیزات میکروفون در قالب نسل های متوالی ایجاد کرده ایم. هر نسل بعدی باید اندازه کوچکتری نسبت به نسل های قبلی داشته باشد و باید توسط نسل های قبلی ساخته شود. نمونه‌های اولیه ریزتجهیزات نسل اول توسعه و ارزیابی شده‌اند.

Micromechanical manufacturing based on microequipment creates new possibi- ties in goods production. If microequipment sizes are comparable to the sizes of the microdevices to be produced, it is possible to decrease the cost of production drastically. The main components of the production cost - material, energy, space consumption, equipment, and maintenance - decrease with the scaling down of equipment sizes. To obtain really inexpensive production, labor costs must be reduced to almost zero. For this purpose, fully automated microfactories will be developed. To create fully automated microfactories, we propose using arti?cial neural networks having different structures. The simplest perceptron-like neural network can be used at the lowest levels of microfactory control systems. Adaptive Critic Design, based on neural network models of the microfactory objects, can be used for manufacturing process optimization, while associative-projective neural n- works and networks like ART could be used for the highest levels of control systems. We have examined the performance of different neural networks in traditional image recognition tasks and in problems that appear in micromechanical manufacturing. We and our colleagues also have developed an approach to mic- equipment creation in the form of sequential generations. Each subsequent gene- tion must be of a smaller size than the previous ones and must be made by previous generations. Prototypes of ?rst-generation microequipment have been developed and assessed.