AdditiveLLM: Large Language Models Predict Defects in Additive Manufacturing

要約

この作業では、一連のプロセスパラメーター入力を考慮して、添加剤の製造欠陥体制を予測する大規模な言語モデルの能力を調査します。
このタスクでは、キーホル化、融合の欠如、球化などの潜在的な欠陥レジームを予測するために、プロセスパラメーター欠陥データセットをAdditivellmというタイトルのモデルのコレクションを微調整します。
さまざまな入力フォーマット方法を比較して、モデルのパフォーマンスを測定して、スパースベースラインデータセットと自然言語プロンプトデータセットの欠陥レジームを正しく予測します。
このモデルは、堅牢な予測機能を表示し、一連のプロセスパラメーターに関連する欠陥レジームを提供するように求められた場合、93 \％の精度を達成します。
自然言語入力を組み込むことで、プロセスパラメーター選択のタスクをさらに簡素化し、ユーザーがビルドに固有の最適な設定を特定できるようにします。

要約(オリジナル)

In this work we investigate the ability of large language models to predict additive manufacturing defect regimes given a set of process parameter inputs. For this task we utilize a process parameter defect dataset to fine-tune a collection of models, titled AdditiveLLM, for the purpose of predicting potential defect regimes including Keyholing, Lack of Fusion, and Balling. We compare different methods of input formatting in order to gauge the model’s performance to correctly predict defect regimes on our sparse Baseline dataset and our natural language Prompt dataset. The model displays robust predictive capability, achieving an accuracy of 93\% when asked to provide the defect regimes associated with a set of process parameters. The incorporation of natural language input further simplifies the task of process parameters selection, enabling users to identify optimal settings specific to their build.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google