Rola w projekcie i główne cele (Materials Informatics)

Pakiet roboczy WP4 stanowi analityczne i obliczeniowe centrum projektu „GaN-Unipress”. Jego nadrzędnym celem jest przekształcenie rozproszonej wiedzy technologicznej i laboratoryjnej w ustandaryzowane dane gotowe dla algorytmów uczenia maszynowego (AI-ready data) oraz rozwój narzędzi predykcyjnych wspierających pakiety WP1–WP3.

Działania WP4 realizowane są w ramach 5 komplementarnych filarów:

1. Analiza i selekcja danych: dobór zbiorów danych (w tym bogatych danych historycznych technologii amonotermalnej) odpowiadających na kluczowe pytania technologiczne.
2. Standaryzacja i gromadzenie danych: ujednolicenie rozproszonych zapisów procesowych, pomiarów i obrazów w formaty maszynowo czytelne.
3. Repozytorium danych: wdrożenie centralnej bazy zapewniającej pełną identyfikowalność (traceability), wyszukiwalność i relacje genealogiczne próbek.
4. Modele predykcyjne (AI/ML): wiązanie rzeczywistych parametrów procesowych z morfologią, defektami i właściwościami materiału.
5. Cyfrowy Bliźniak (Digital Twin): wirtualne symulacje procesów wzrostu w autoklawach ograniczające kosztowną metodę prób i błędów.

Koncepcja „Cyfrowego Kryształu” (Digital Crystal)

Kluczowym elementem architektury WP4 jest stworzenie cyfrowego obiektu kryształu (Digital Crystal) o unikalnym identyfikatorze (ID), integrującego w jednym spójnym formacie:

• Cechy geometryczne z analizy obrazu: kontury, pole powierzchni i szacowana objętość, granice zarodzi i nowego przyrostu lateralnego, defekty makroskopowe.
• Charakterystykę strukturalną i fizyczną: mapy XRD/XRT, krzywe dyfrakcyjne (rocking curve), parametry optyczne oraz elektryczne.
• Historię procesową: unikalny numer procesu, pozycję w autoklawie, logi temperatur i ciśnień oraz genealogię (relacje rodzic–potomek między kolejnymi pokoleniami zarodzi).
• Deskryptory symulacji CFD: obliczeniowe rozkłady pól temperatur, dynamikę przepływów konwekcyjnych, transport masy i przesycenie w roztworze nadkrytycznym.

Rys. 1. Schemat architektury cyfrowego bliźniaka: integracja danych eksperymentalnych, cyfrowego kryształu, modelowania CFD oraz zredukowanych modeli AI/ML.

Narzędzia widzenia komputerowego i AI dla linii pilotażowej

W odpowiedzi na potrzeby linii pilotażowej WP1 opracowywane są zautomatyzowane narzędzia inspekcji obrazowej:

• Podejście hybrydowe (OpenCV + ML): szybkie, deterministyczne algorytmy przetwarzania obrazu (Python / OpenCV) wykorzystywane są do kalibracji skali, segmentacji konturów i pomiarów powierzchni ($px \to mm^2$), natomiast sieci neuronowe (ML) dedykowane są trudniejszym zadaniom: klasyfikacji morfologii oraz rozpoznawaniu skomplikowanych typów defektów.
• Ilościowa analiza defektów: prototypowe algorytmy kwantyfikują obszary defektowe w świetle spolaryzowanym (m.in. pęknięcia, krystalitki, strefy naprężeń), umożliwiając szybki makroskopowy przesiew jakościowy kryształów przed kolejnymi etapami technologicznymi.
• Analiza szeregów czasowych z autoklawów: rzeczywiste przebiegi temperatur i sygnałów sterujących z logów autoklawu łączone są z uzyskaną jakością kryształów, pozwalając na identyfikację niepożądanych fluktuacji procesowych niewidocznych w samej recepturze nominalnej.

Aktualny stan prac

• Przeprowadzono audyt historycznych zbiorów danych procesowych (Ammono) oraz przygotowano specyfikację serwera danych i stacji roboczych GPU.
• Wdrożono pierwsze prototypy narzędzi w Python/OpenCV do automatycznego wyznaczania geometrii kryształów i segmentacji obszarów defektowych.
• Trwają prace nad standaryzacją formatów zapisu danych szeregów czasowych z autoklawów oraz definicją klas defektów strukturalnych we współpracy z technologami WP1.