JP2021511216A - レーザー加工パラメータを決定するための方法および該方法を使用するレーザー加工装置 - Google Patents

Abstract

レーザー加工システムを使用して材料を加工するためのレーザー加工パラメータを決定するための方法は、以下のステップを含む。ａ）複数の加工データサンプルに基づいて学習することが可能な学習加工機能を中央ユニットに提供することであって、学習加工機能が、求められる加工結果および加工システムのために以下のレーザー加工パラメータを定義することが可能なアルゴリズムを含む。・偏光、・パルスエネルギーＥｐ、・焦点での直径ｗ・ガウス次数ｐ、・パルスｎのパルス繰り返し率ＰＲＲ、・波長、ｂ）レーザー加工システムが、求められる加工結果に従って加工されるべき材料を加工することができるように学習するために、学習加工機能を作成すること。【選択図】図２８

Description

第１の態様によれば、本発明は、材料のレーザー加工用のレーザー加工パラメータを決定するための方法に言及する。第２の態様によれば、本発明は、レーザー加工装置に言及する。

レーザービームは時々工作物を加工するために使用される。実際、レーザービームにさらされた材料の一部を溶融、蒸発、または昇華させることが可能である。レーザービームによる部品の加工により、非常に高い程度の効率で、カット、穴、溝、表面テクスチャリングなどが可能になる。

レーザー加工装置は、１ｎｓ未満の持続時間、およびＪ／ｃｍ^２のオーダーのパルスあたりの高エネルギーを有するレーザービームパルスを使用することが増えている。実行したい目標の加工を得るために、レーザー加工装置を定義し、パラメータ化することが必要である。次いで、任意の新しく定義された目標の加工用ならびに任意の新しい材料用のレーザー加工パラメータを定義することが必要である。

加工プロセスが可能な限り正確であることを保証するために、レーザービームと加工されるべき材料との間の相互作用パラメータをモデル化することが知られている。しかしながら、そのようなモデル化は、一般に、入力パラメータに対する線形応答をもつ少なくとも１つのモデルを使用する必要がある。この手法での問題は、モデルが信頼性の高い応答を提示する範囲が、レーザー加工装置が全能力を挙げて使用されることを可能にするか、またはいずれの場合も最短の可能な時間かつ良好な加工品質で求められる加工結果を可能にするのに十分な範囲をカバーしない可能性があることである。

特許文献１は、実験的な加工結果に基づいてレーザー加工パラメータを決定するための方法を提供する。この方法の欠点は、実験的な加工結果の外挿を使用し、その結果、ユーザが恐らく最適なレーザー加工パラメータを推論することができ、パラメータの適合性の評価がユーザに任されていることである。その性質上、そのような外挿は不正確な結果につながる可能性がある。別の欠点は、レーザー加工パラメータを広いデータ範囲にわたって決定されることが可能にならず、実験的な加工結果の周囲で局所的にしか決定されることが可能にならないことである。

したがって、解決されるべき技術的問題は、特に、レーザー加工装置の様々な加工能力について、目標または所望の加工に可能な限り近い加工を得るために、レーザー加工パラメータを定義するための方法を有することである。加えて、多種多様のレーザー加工システム用のレーザー加工パラメータを決定できることが有用なはずである。

第１の態様によれば、本発明の目的の１つは、特定の加工結果を得るためにレーザー加工パラメータを決定するための方法を提供することである。本発明の目的の１つは、広範囲で費用のかかる従来の検査を必要としない加工パラメータを決定するための方法を提供することでもある。

この目的のために、本発明者らは、レーザー加工システムで材料を加工するためのレーザー加工パラメータを決定するための、以下のステップを含む方法を提案する。
ａ）使用されるレーザー加工パラメータの関数として取得された加工結果を含む複数の加工データサンプルを含む学習データベースを提供すること、
ｂ）以下を含む中央ユニットを提供すること、
−機械学習手段、
−学習データベースと通信するための手段、
ｃ）中央ユニットのために、加工されるべき材料の求められる加工結果を定義すること、
ｄ）複数の加工データサンプルに基づいて学習することが可能な学習加工機能を中央ユニットに提供することであって、学習加工機能が、求められる加工結果および加工システムのために以下のレーザー加工パラメータを定義することが可能なアルゴリズムを含むことを、提供すること。
−加工レーザービームの偏光に関する情報、
−加工レーザービームのパルスエネルギーＥ_ｐ、
−焦点における加工レーザービームの直径ｗ、
−１から２０の間の加工レーザービームのガウス次数ｐ、
−加工レーザービームのパルスｎのパルス繰り返し率ＰＲＲ、
−加工レーザービームの波長、
ｅ）複数の加工データサンプルに基づいて学習するために、中央ユニットで学習加工機能を作成することであって、その結果、学習加工機能を学習するときにそれによって決定された加工パラメータをレーザー加工システムに提供することにより、レーザー加工システムが求められる加工結果に従って加工されるべき材料を加工することができる、作成すること。

発明の方法は、可能な限り正確に目標の加工に従って工作物を加工するための加工パラメータ、好ましくは最適な加工パラメータの決定を可能にする。そのような方法は、多数のコストがかかる加工パラメータ調整を必要とせずに、良好な加工品質を保証する。実際、本発明によって提案される方法は、以前の実験結果に基づいて、達成されるべき結果の加工用の加工パラメータの決定を可能にする機械学習ステップを含む。使用されるレーザー加工パラメータに従って取得された加工結果を含む加工データのペアを使用して学習加工機能を学習することができるので、機械学習ステップの使用は特に有利である。加工データのペアは、様々な実験条件下で生成された加工から取得することができる。詳細には、本発明の別の実施形態の利点は、以前の加工実験中に、またはレーザー光源もしくは加工されるべき材料に関する情報を含むデータベースから、加工中にレーザービームと加工されるべき材料との間の相互作用の物理パラメータに基づく教師付き機械学習を可能にすることである。

本発明は、以前の加工に関する情報を含む学習データベースを使用することにより、自動化された方式によってレーザー加工パラメータを定義するための方法を提供することを可能にする。本発明はまた、学習データベースに以前記録された材料、加工パラメータ、および加工システムに関する情報から最適な加工パラメータを決定するために、以前の加工に関する情報に基づいて学習機能を駆動することが可能な中央ユニットを提供する。本発明の別の目的は、求められる加工結果に可能な限り近い加工を取得するために、学習加工機能のより良い学習を可能にするために、レーザー材料相互作用への包括的な手法を提案することである。

本発明の方法は、レーザー加工パラメータ、たとえば、レーザー条件：エネルギー、周波数、速度、ビーム傾斜、パス数、ハッチピッチ、スポットサイズの調整・・・を予測することを可能にし、目標のタイプの加工（彫刻、切削、穴あけ、溶接）を取得するために、レーザー加工装置を用いて加工されるべき材料にレーザー条件を適用することを可能にする。

好ましくは、加工されるべき材料に関する情報は、加工されるべき材料とのレーザー加工ビームの相互作用に関する情報である。好ましくは、加工レーザービームの偏光に関する情報は、垂直または水平のＰ／Ｓ偏光の選択肢から選択される。好ましくは、加工レーザービームのパルスエネルギーＥｐは、μＪで表される。好ましくは、焦点における加工レーザービームの直径ｗはウエストサイズｗに対応する。好ましくは、加工レーザービームのガウス次数は１〜１０の間である。

本発明の特定の実施形態によれば、発明者らは、レーザー加工に関連する４つの材料パラメータ（デルタ、しきい値フルエンス、インキュベーション係数、複素屈折率）の制御ユニットの考察により、経験的な実験に頼ることなく、レーザー加工装置の使用範囲を拡大するために、求められる加工結果に非常に近い加工結果を得ることが可能になるという驚くべき方法で観察した。

求められる加工結果用の目標基準が中央ユニットに入力され、少なくとも１つの学習データベースおよび学習機能から、目標の材料に対して目標の加工を実行するための最適なレーザーパラメータが取得される。本文書全体を通して、学習機能は、最終的には学習アルゴリズムによる機能の学習の結果である学習済み機能を生成することができる。したがって、学習機能は、最適な加工パラメータを含むことが好ましい。中央ユニットは、学習機能を実行するように設定されたときの学習中央ユニットである。

所与の材料についての学習機能の学習により、学習済み機能を生成することが可能になる。したがって、学習済み機能は、本発明の一実施形態によれば、学習機能の学習の結果である。たとえば、学習済み機能は学習済み機能データベースに記録される。学習済み機能は、受けた学習に従って進化したアルゴリズムから恩恵を受け、たとえば、それは進化した学習アルゴリズムである。学習済み機能から、求める加工結果用の最適な加工パラメータを生成することが可能である。別の実施形態では、学習機能が学習された後に最適な加工パラメータを生成し、学習済み機能を保存することが可能である。

好ましくは、学習データベースの複数のサンプルは、加工されている材料に関する情報を少なくとも部分的に含み、この情報は以下の情報の少なくとも１つを含む。
−材料への加工レーザービームの侵入深度に関連するデルタδ、
−加工を可能にするレーザービームの最小エネルギー密度に関連するしきい値フルエンスＦ_ｔｈ、
−同じポイントでのレーザービームのパルス数に基づくしきい値フルエンスの依存性に関連する、０〜１の間のインキュベーション係数Ｓ、
−複素屈折率ｎ＋ｉｋ。

好ましくは、レーザー加工システムは、方向ｘに移動するレーザー加工ビームを放射することが可能であり、ステップｄ）の学習機能のアルゴリズムは、以下のレーザー加工パラメータをさらに定義することが可能である。
・加工されるべき材料の表面からのレーザー加工ビームの焦点の距離、
・加工されるべき材料に対するレーザー加工ビームの移動速度（ｖ）、
・加工されるべき材料の表面に対する加工レーザービームの入射角、
・加工されるべきラインの数、
・以前に定義されたラインの間の距離、
・加工されるべき各ライン上の加工レーザービームのパスの数。

たとえば、焦点が表面上にあるとき、加工されるべき材料の表面からのレーザー加工ビームの焦点の距離は０である。好ましくは、移動速度は方向ｘにおいて定義される。たとえば、レーザービームが基板の表面と９０°の角度をなすとき、加工されるべき材料の表面に対する加工レーザービームの入射角は０°である。たとえば、加工されるべきラインの数は最低１つであり、無限につながる可能性がある。好ましくは、加工されるべきラインの数は、ライン間の距離パラメータに関連してトレンチ幅を定義することを可能にする。好ましくは、ラインの間の距離またはピッチは、１つのラインの中心から別の隣接するラインの中心までの距離である。たとえば、加工されるべき各ライン上の加工レーザービームのパスの数は「レイヤ」の数である。レーザービームの通過回数が１０に等しいということは、レーザービームが同じラインに沿って１０回通過することを意味する。

好ましくは、
−レーザー加工システムは、回転軸を中心に回転するレーザー加工ビームを放射することが可能なシステムであり、その点において、
−ステップｄ）の学習機能のアルゴリズムは、以下のレーザー加工パラメータをさらに定義することが可能である。
・回転軸のまわりのレーザービームの回転速度、
・回転レーザービームがすべての回転レーザー加工ビーム位置用の固定スポットを表現する、加工されるべき材料の表面からの距離ＢＦＧ、
・回転レーザービームが集束する加工されるべき材料の表面からの距離ＢＦＩ、
・材料の表面の法線に対する回転レーザービームのすべての位置に対する回転加工レーザービームの入射角β、
・回転加工レーザービームの起動時間。

好ましくは、レーザー加工ビームの回転速度は、レーザー加工ビームの回転を可能にする光学要素の回転速度である。たとえば、そのような光学要素は、ミラー、プリズムなどである。加工されるべき材料の表面からの距離ＢＦＧは、回転レーザービームが回転レーザー加工ビームのすべての位置用の固定スポット、すなわち、レーザー加工ビームがその周りを回転するポイントを表現する。好ましくは、回転レーザービームが集束する、加工されるべき材料の表面からの距離ＢＦＩ、たとえば、０に等しい距離ＢＦＩは、回転レーザービームのすべての位置でレーザービームが材料の表面に集束することを意味する。好ましくは、加工されるべき材料の平らな表面からの距離ＢＦＩは平面である。好ましくは、材料表面の法線に対する回転レーザービームのすべての位置に対する回転加工レーザービームの入射角β、表面に対して０°は、回転レーザービームが表面から９０°の角度、または材料の表面の法線から０°を表現することを意味する。好ましくは、回転加工レーザービームの起動時間は、加工されるべき材料の厚さおよびタイプ、ならびに他のレーザーパラメータに依存する。この実施形態は、直線または負の側面（一般に側面の向き）を有することを可能にするレーザーパラメータを正確にシミュレートすることを可能にするので、特に有利である。

好ましくは、加工レーザービームは、回転軸および加工されるべき材料の表面から距離ＢＦＧに位置する回転点の周りを回転する加工レーザービームである。

好ましくは、アルゴリズムは、以下の式を含む回転加工レーザービームによる材料の加工の歳差半径ｒ_ｐに基づく学習ステップを含む。

．

好ましくは、回転加工ビームの２つの連続するパルスｎは、好ましくは半径ｒ_ｐの円に沿って、距離ｄｘだけ離れている。

好ましくは、アルゴリズムは、以下の式を含む加工レーザービームのパルスに対するアブレーションされたクレータ半径ｒ_ｃに基づく学習ステップを含む。

求められる加工結果は、好ましくは、以下に従って２次元で定義された求められる加工結果のプロファイルである。
−加工されるべき材料の表面に実質的に平行な方向を表す軸ｙ、および
−加工されるべき材料の表面に実質的に垂直な方向を表す軸ｚであり、軸ｚは材料の表面に対するアブレーション深度ｚ_ｎに対応する。

好ましくは、アルゴリズムは、以下の式を含むアブレーション深度ｚ_ｎに基づく学習ステップを含む。

好ましくは、デルタδは定数パラメータである。デルタδに定数パラメータを使用すると、適用される加工条件にかかわらず、材料ごとに定数デルタパラメータδを使用することが可能になるので、特に有利である。発明者らは、定数デルタδの使用は多数の科学出版物の教示に反することを発見した。詳細には、材料のデルタδはレーザービームのパルス数の関数として変化するべきことがしばしば受け入れられているが、デルタδは材料の固有の特性であり、モデルの近似変数と見なされるべきではない。

本発明の方法は、新しい材料の加工が決定されると、加工された材料に固有のパラメータならびに本発明による検出手段および中央ユニットによって特徴付けられ分析された後に観察された結果に基づいて、材料データベースを強化することが可能になる。

好ましくは、本発明のデータベースは、以下に定義される少なくとも１つのタイプの情報：材料特性、１つまたは複数のレーザーパルスに対する材料の応答、学習機能、学習済み機能の記憶を可能にする。たとえば、データベースは材料特性を含む。たとえば、学習済み機能のデータベースは、レーザー加工パラメータを決定するときに学習中央ユニットによって修正された学習機能を含む。

好ましくは、本発明の方法は、ユーザによって定義されたパラメータを用いて取得することができる加工を観察するためにシミュレーションを実現することを可能にするか、または実現するために適用される。これは、特に、加工の実現可能性を確認するか、または加工シーケンスを定義するために使用される。

好ましくは、中央ユニットは、レーザー加工パラメータを決定するためのコンピュータプログラムを実行するように構成される。

好ましくは、本発明の方法は、中央ユニットに、モデル化手段および／または機械学習手段を実行するためのコンピュータプログラムを提供することから構成されるステップを含む。好ましくは、モデル化手段および／または機械学習手段は、物理的パラメータが一緒にリンクされることを可能にするアルゴリズムに基づくモデルを含む。コンピュータプログラムは、たとえば、ソフトウェアである。好ましくは、モデル化手段および／または機械学習手段は、データベースに記憶することができるデータを生成するために使用される。

好ましくは、コンピュータプログラムを実行するように構成された中央ユニットは、非物質化された記憶および計算手段、たとえばクラウド、詳細にはサービスとしてのプラットフォーム、より詳細にはサービスとしてのソフトウェアにアクセス可能である。

サービスとしてのソフトウェアは、このコンピュータプログラムがユーザに利用可能に作成されることを提供する。コンピュータプログラムは、ｗｅｂブラウザを使用して操作するか、または中央ユニット上のリースホールドウェイにインストールすることができる。ユーザは、更新の実行、セキュリティパッチの追加、およびサービスの可用性の確保について心配する必要はない。

たとえば、本発明の方法は、レーザー加工装置を用いて加工を実行したいユーザが正しい加工パラメータを選択するのを助けるインターネットプラットフォームである。好ましくは、本発明の方法は意思決定支援ツールである。好ましくは、中央ユニットによって提案された加工パラメータは、制御ユニットに直接送信される。

好ましくは、中央ユニットは、加工されるべき材料に関する情報を決定するためのモデル化手段および機械学習手段を含み、加工されるべき材料の情報は、物理的材料パラメータまたは機械学習手段によって学習される機能としてデータベースに記憶される。

本発明のこの好ましい実施形態は、加工パラメータを決定するためのモデルの機械学習を可能にする。観察に基づいて、モデルは、（材料、レーザー光源、加工装置・・・に関する）入力パラメータに基づいて加工パラメータの決定を可能にするように更新することができる。違いが学習であるようなとき、モデルは更新され、一方、違いが学習でないようなとき、モデルは更新されない。

好ましくは、方法は、以下の追加ステップをさらに含む。
ｆ）以下を含むレーザー加工システムを提供すること。
−加工されるべき材料、
−以下を含むレーザー加工装置。
○加工されるべき材料上に１００ｐｓ未満の超短レーザービームを放射するためのレーザー光源、
○レーザー光源からのレーザービームの放射を制御するための制御ユニット、
−制御ユニットを制御する中央ユニット、
−データベース、
−中央ユニットからデータベースへの通信を可能にする通信手段、
ｇ）ステップｅ）において学習加工機能によって決定されたレーザー加工パラメータで構成されたレーザー光源を用いて材料を加工すること。

この実施形態は、加工されるべき材料とのレーザービームの相互作用を分析することを可能にする分析装置によって、加工用のパラメータが学習されることを可能にする。加工されるべき材料とのレーザービームの相互作用を分析すると、レーザー加工パラメータが調整されることが可能になり、その結果、これらのレーザー加工パラメータを使用するレーザー加工システムが、目標の加工に可能な限り近く対応する加工を生成することができる。

好ましくは、レーザー加工装置および分析ユニットは、特に、機械内およびターゲット上の電力を測定するために機械の多くのポイントに設置されたセンサ、ビーム分析器、（たとえば、Ｓｈａｃｋ−Ｈａｒｔｍａｎｎによる）波面分析器、Ｍ^２計測器、ビームの伝搬に沿ったウエスト（ビーム幅が最小になる位置）の位置およびサイズの予測を用いてビームの伝搬を計算するための計測器、（たとえば、Ｎａｎｏｓｃａｎによる）スポットのサイズおよび工作物の位置の測定値を裏付けるための手段を備える。

好ましくは、加工システムは、たとえばＯＣＴ（光コヒーレントトモグラフィ）を用いて、または干渉計を用いて加工した後に、リアルタイムで結果を分析するための手段を含む。それらの様々な寸法が測定された、リアルタイムでの結果の分析手段、たとえば、ＯＣＴおよび／または共焦点は、材料の物理的な特性を推論し、また得られた結果を確認し誤差を推論することを可能にし、それに従って、モデルによって計算された１つまたは複数のパラメータの修正、および機械学習によって学習された機能を適用することができる。好ましくは、学習済み機能は学習機能である。

この特定の実施形態で提示された本発明の方法はまた、基準に従って、または所望の結果の誤差間隔内で、各材料に固有の最適なレーザーパラメータの予測を可能にするデータベースを提供および供給することを目的とする。本発明は、様々なレーザー光源（レーザーシステム装置）を装備することができる加工レーザーシステム、レーザービーム管理システム（ビーム管理）、加工されるべき工作物に対してレーザービームを動かすための加工ユニット、および実行された加工に対して結果を取得するための分析ユニットを含む。本発明の利点は、材料特性および学習機能を記憶するためのデータベースを提供することである。このデータベースにより、現在の実験と互換性がある過去の実験の結果から恩恵を受けるために、新しい加工が開始されるとすぐに材料特性および学習機能が利用可能になる。

好ましくは、レーザー加工装置は以下をさらに備える。
○学習データベースに接続された加工されるべき材料の状態を分析するためのユニット、
および、以下の追加ステップが実装されること。
ｈ）ステップｇ）の後に分析ユニットで加工結果を取得すること、
ｉ）加工結果およびステップｇ）での加工に使用された加工パラメータを中央ユニットに送信することであって、中央ユニットが、使用されたレーザー加工パラメータに従って得られた加工結果を含む加工データペアを通信するように構成される、送信すること、
ｊ）加工データのペアで学習データベースを強化すること。

本発明のこの好ましい実施形態は、統計モデルのトレーニング時にすでに実行された実験のデータベースから得られるか、または学習段階中に取得されたデータから得られる実験データを使用して、レーザー加工機による統計モデルの機械学習を実行することを可能にする。

機械学習は、以下に記載されるような現在のモデルが工作物を加工するためのそのような最適パラメータを予測することを可能にしないパラメータ範囲の最適パラメータを予測するために使用される。好ましくは、最適なパラメータは特定の材料に対して与えられる。好ましくは、機械学習は、非網羅的な方法で以下に記載されるような従来のモデルによってカバーされ得る範囲であっても、すべての加工パラメータ範囲に対して使用することができる。モデルは、好ましくは、この特許出願の概要に記載された式の少なくとも１つを考慮に入れたアルゴリズムである。

機械学習および物理モデルは、物理的な特性および機械学習による加工の「学習済み機能」または「学習機能」を決定し、これらの物理的な特性および「学習済み機能」は各材料に固有である。

学習機能または学習済み機能を使用する利点は、組成または特性が異なる可能性がある材料ごとにそのような機能を使用できることである。材料がすでに使用されているとき、またはそれがデータベースもしくは学習済み機能のデータベース内ですでに知られているとき、本発明の方法は学習機能の使用を必要としない。材料がすでに使用されているが、異なるレーザーパラメータ範囲内にあり、学習機能がパラメータ範囲に対して拡張される必要があるとき、学習機能は既存の学習機能が使用され得る範囲になるように拡張または再定義される。たとえば、前に使用されたことがないパルスエネルギーを有するレーザー光源を使用するとき、学習機能を完了する必要がある。

機械学習モデルを定義するための本発明の方法または機械学習モデルは、以下の固有の要素を含む。
−学習データベースまたはオンライン測定から得られたデータ、
−学習を可能にするための測定データのオンライン生成用の目標の加工結果または既定の加工結果、
−学習モデルとも呼ばれる学習アルゴリズム、
−その学習を保証するための学習アルゴリズムのパフォーマンスの尺度、またはいずれにせよそのパフォーマンスの維持。

使用されたデータ
使用されたデータは、以下の特性：目標の結果または要求される結果を表現するデータ、ユーザパラメータ、機械関連特性、既定のテストに対応する命令、加工されるべき材料に関連するパラメータ、データベースに記憶された材料に関連するパラメータ、データベースに記憶され、前の加工中に取得された材料に関連するパラメータ、学習機能を含むアルゴリズム、最適な加工パラメータ、レーザービームを測定するための手段から得られるデータ、結果を分析するための手段から得られるデータを有する少なくとも１つのデータタイプを含む。好ましくは、上述されたデータタイプは注釈が付けられる。

データクリーニング

本発明の好ましい実施形態によれば、収集された、またはデータベースに存在するデータのクリーニングステップが提供される。このステップにより、データベースから収集されたデータまたはオンラインで測定されたデータの一貫性が保証され、外れ値または欠損値がなくなる。

目標の結果および既定の結果

本発明による実行されるべき特定のタスクまたは達成されるべき結果または目標の加工結果または既定の目標結果は、本発明のユーザが現象をモデル化することによって解決しようとする問題に対応する。本発明は、複数の目標加工結果を考慮することを可能にし、目標加工結果の各々は、異なる学習アルゴリズムの選択肢を必要としてよい。

好ましくは、レーザー加工システムの学習中央ユニットは、システムに含まれるすべてのユニット、詳細には、少なくともレーザー光源、ビーム管理装置、ビーム移動／集束ユニット、分析ユニット、データベース、材料データベース、学習済み機能のデータベース、観察ユニット、機械学習を実装するためのユニット、モデル化を実装するためのユニット、既定のテスト特性を含むユニットを制御する。学習中央ユニットは、たとえば、いくつかの入出力インターフェースを有するコンピュータである。学習ユニットは、好ましくは、ネットワーク、たとえば、インターネットに接続され、たとえば、機械学習および／またはモデル化を実装することを可能にするユニットの再配置を可能にする。機械学習および／またはモデル化を実装するためのユニットがレーザー加工システムに物理的に存在しないことの利点は、ハードウェアリソース、たとえば、機械学習および／またはモデル化を実装するために必要な計算能力を必要としない学習中心ユニットを提供することである。これにより、レーザー加工専用の学習中央ユニットを有するレーザー加工システムを使用することも可能になる。好ましくは、データベースは中央サーバにも記憶され、好ましくは、中央サーバは、機械学習および／またはモデル化を実装するためのユニットと同じ場所に配置される。

好ましくは、本発明が予測することを提案する結果は、数（パラメータの値）であり、好ましくは、本発明は、回帰または回帰技法が使用され得る機能を予測することを提案する。

学習アルゴリズム

本発明による機械学習は、データの起点における現象のモデル（確率的または決定論的）を発見および／または改善することを可能にする。好ましくは、データに関与する現象は、多数のパラメータに起因する可能性がある。本発明によって使用される機械学習アルゴリズムは、観察された各データ項目が確率分布によって生成された確率変数の表現であると考えることを可能にする。

本発明の機械学習アルゴリズムは、データベースから得られたデータ（例示的なデータ）および／またはオンライン測定によって収集されたデータから統計モデルがパラメータ化される方法を構成する。本発明は、特定のタイプのアルゴリズムの選択肢に限定されない。本発明は、学習／習得したいパラメータのタイプおよび利用可能なデータのタイプによるアルゴリズムのタイプの決定を提供する。本発明によるアルゴリズムのタイプの決定は、アルゴリズムの入力データおよび所望の出力パラメータの関数である。

好ましくは、本発明の方法によって使用される学習アルゴリズムは、教師付き学習アルゴリズムであり、この教師付き学習アルゴリズムは、好ましくは、この特許出願で詳述されるすでに開発された既知のモデルの少なくとも１つに基づく。

教師付き学習アルゴリズム用の機械学習の例は、たとえば、以下の個別または組み合わされたものである。
−線形回帰
−ｋ−ｎｎ、
−サポート・ベクトル・マシン（ＳＶＭ）、
−ニューラルネットワーク、
−ランダムフォレスト。

本発明による機械学習方法は、以下の方法に従って定義することができる。
−教師なし学習、教師なし学習では、学習アルゴリズムは、確率変数：ｘ_１、ｘ_２、ｘ_３、ｘ_４、・・・の生の観測値のみを受け取り、学習アルゴリズムは、構造的な潜在変数との少なくとも１つの関係：ｘ_ｉ→ｙ_ｉを発見するように構成され、ここで、ｉはゼロでない整数である。
−教師付き学習、教師付き学習では、学習アルゴリズムは、収集されたデータまたは注釈付きの例示的なデータ：（ｘ_１、ｙ_１）、（ｘ_２、ｙ_２）、（ｘ_３、ｙ_３）、・・・を受け取り、学習アルゴリズムは、新しい観測値に基づく学習アルゴリズムの出力で取得されたパラメータを予測するように構成される：ｘ^＊→ｙ^＊。
−半教師付き学習、半教師付き学習により、学習アルゴリズムの入力として、いくつかの注釈付きデータおよびそうでないデータを考慮することが可能になる。この方法は、教師付き学習方法と教師なし学習方法の両方を利用することを可能にするので、特に有利である。
−強化学習、強化学習により、学習アルゴリズムが経験／恩恵のサイクルに基づくことが可能になり、学習アルゴリズムの各反復でパフォーマンスが向上する。

好ましくは、機械学習手段は、中央ユニットによって実装された学習モデル、およびレーザー加工パラメータで得られた加工結果に基づいて加工されるべき材料の材料パラメータの学習を可能にすることを含み、材料パラメータの学習は学習済み機能としてデータベースに記憶される。

好ましくは、学習加工機能の機械／機械学習は、既知のレーザー加工パラメータからのレーザー加工パラメータの変化に従って加工されるべき材料に対して実行され、特に、加工パラメータの変化は既定のテストによって示される。

パフォーマンス測定

パフォーマンス測定は、加工の少なくとも１つの結果に基づいて機械学習の後に実行される。このパフォーマンス測定により、本発明の方法に従って、かつ学習アルゴリズムに基づいて、機械学習が実装されるモデルの品質を監視することが可能になる。パフォーマンス測定により、モデル用の機械学習を可能にし、学習アルゴリズムの過少または過大な学習を回避することにより、モデルが効率的であり続けることが保証される。機械学習におけるモデル学習アルゴリズムのパフォーマンス測定は、特に、パフォーマンスインジケータ、たとえば回帰パフォーマンスインジケータに基づく。

回帰パフォーマンスインジケータ

回帰パフォーマンスインジケータにより、誤差の２乗の合計を測定する関数Ｒを最小化することによって取得される回帰関数ｆを考慮することが可能になる。このパフォーマンスインジケータは、分類パフォーマンスインジケータの場合、以下のように記載することができる：誤差関数が小さいほど、分類パフォーマンスインジケータは優れている。回帰パフォーマンスインジケータの場合、値Ｒ^２の決定係数が使用されることが好ましい。Ｒ^２は誤差関数の正規化として定義することができる。係数Ｒ^２は０から１の間であり、Ｒ^２が１に近いほど、誤差の合計は低くなる。

教師なし学習用のパフォーマンスインジケータ

アルゴリズムが教師なしクラスタリングアルゴリズムおよび／または外れ値検出アルゴリズムであるかどうかに応じて、教師なし学習のタイプごとのパフォーマンスインジケータが考慮されなければならない。クラスタリングアルゴリズムの場合、２つのパフォーマンスインジケータ：クラス内距離およびクラス間距離が考えられる。外れ値検出アルゴリズムの場合、インジケータは外れ値密度スコア（たとえば、Ｌｏｃａｌ Ｏｕｔｌｉｅｒ Ｆａｃｔｏｒ ＬＯＦスコア）である。

好ましくは、中央ユニットは以下をさらに備える。
−レーザー加工パラメータの変化に従って、加工されるべき材料に関する情報間で取得される差を決定するための手段、
および、決定手段によって決定された差が学習加工機能の改善を可能にするときに、学習加工機能の機械学習が実行されること。

好ましくは、学習データベースは、物理モデルに基づく、または材料の物理的な特性の形態のモデル化／シミュレーション手段から得られる学習機能から加工されるべき材料に関する情報をさらに含む。

好ましくは、データベースは、以下のタイプ：学習済み機能、材料の物理的な特性のうちの少なくとも１つの材料に関する情報を含む。

好ましくは、材料の物理的な特性は、以下の特性のうちの少なくとも１つを含む。
−デルタ、
−しきい値フルエンス、
−最大効率のフルエンス。

好ましくは、加工されるべき材料の状態を分析するためのユニットは、光学検出ユニットである。

好ましくは、中央ユニットは、以下のタイプの機械学習のうちの少なくとも１つのために構成される。
−教師付き、
−教師なし。

中央ユニットは、好ましくは、以下のモデルタイプのうちの少なくとも１つの教師付き機械学習用に構成される。
−回帰、
−分類、
−順位付け。

中央ユニットは、好ましくは、以下のモデルタイプのうちの少なくとも１つの教師なし機械学習用に構成される。
−クラスタリング、
−次元数の削減、
−推奨システム。

好ましくは、中央ユニットは、教師付きおよび教師なしの機械学習アセンブリに基づく機械学習用に構成される。

好ましくは、中央ユニットは、以下の機械学習技法のうちの少なくとも１つを含む教師付き機械学習用に構成される。
−線形回帰、
−決定木、
−ニューラルネットワーク、
−Ｋ−ｎｎ、
−サポート・ベクトル・マシン（ＳＶＭ）、
−ランダムフォレスト。

好ましくは、レーザー加工パラメータは、以下のパラメータのうちの少なくとも１つを含む。
−加工されるべき材料上のレーザービームのスキャン速度、
−レーザー光源によって放射される毎秒のパルス数、
−レーザー光源によって放射される波長、
−加工されるべき材料上のレーザー光源のスポットサイズ、
−レーザー光源によって放射されるパルス当たりのエネルギー。

好ましくは、制御ユニットは、レーザー光源から加工されるべき材料への光ビームを制御するようにさらに構成される。好ましくは、学習機能のアルゴリズムは、学習機能を学習することができるように学習データベースを供給するためにレーザー加工パラメータを決定することが可能である。

好ましくは、目標の加工は学習モデルを教えるための既定の加工である。

好ましくは、方法は以下の追加ステップも含む。
ｋ）中央ユニットによって加工されるべき材料の識別を可能にする、加工されるべき材料に関する情報を取得すること。

好ましくは、方法は以下の追加ステップも含む。
ｌ）加工されるべき材料の加工に基づいて加工戦略をさらに決定することであって、好ましくは、加工戦略が学習加工機能によって決定される、決定すること。

好ましくは、方法は以下の追加ステップも含む。
ｍ）既定のレーザー加工パラメータの範囲に従って、学習機能によって定義されたレーザー加工パラメータを有する光ビームを加工されるべき材料に照射すること。
ｎ）光学検出ユニットにより、光ビームによる加工されるべき材料の照射によって生成された結果を取得すること、
ｏ）結果を中央ユニットに送信し、加工されるべき材料に光ビームを照射することによって生成された結果にアクセスすること、
ｐ）中央ユニットによって結果から、ステップｍ）で使用されたレーザー加工パラメータの関数として得られた加工結果を含む加工データのペアを抽出すること、
ｑ）加工データのペアを学習データベースに記憶すること。

第２の態様によれば、本発明者らは、本発明の第１の態様による方法のステップを実行するように適合された中央ユニットを備えるレーザー加工装置を提案する。

本発明の第１の態様による方法について記載された様々な変形および利点は、必要な変更を加えて第２の態様の装置に適用される。

好ましくは、装置は、加工されるべき材料にレーザービームを向けるための光学ユニットをさらに備える。

好ましくは、加工されるべき材料にレーザービームを向けるための光学ユニットは、レーザービームの歳差運動を可能にする。

第３の態様によれば、本発明者らは、本発明の第１の態様による方法を実装するためにコンピュータプログラムを提案する。

本発明の第１の態様による方法および本発明の第２の態様による装置について記載された様々な変形および利点は、必要な変更を加えて第３の態様のコンピュータプログラムに適用される。

好ましくは、コンピュータプログラムは、本発明の第２の態様によるレーザー加工装置に、本発明の第１の態様による方法のステップを実行させる命令を含む。

第４の態様によれば、本発明者らは、本発明の第３の態様に従ってコンピュータプログラムが記録されたコンピュータ可読媒体を提案する。

本発明の第１の態様による方法、本発明の第２の態様による装置、および本発明の第３の態様によるコンピュータプログラムについて記載された様々な変形および利点は、必要な変更を加えて第４の態様のコンピュータ可読媒体に適用される。

工作物の材料に関連するレーザー加工パラメータに基づいてレーザー加工パラメータを決定すること

工作物を加工するように決定されると、この工作物の目標の加工が設定される。好ましくは、工作物の目標の加工は、穴、溝、チャネル、カットアウト、またはオペレータが工作物で実行したいアブレーション加工、スルー加工、もしくはノンスルー加工によって得られる他の加工である。好ましくは、目標の加工は、２次元空間内で、より好ましくは、３次元空間内で定義される。たとえば、目標の加工は、アブレーションされるべき材料の量を定義する。目標の加工は、たとえば、透明な材料の光学特性におけるカットまたは変化に対応することができる。

可能な限り最小の加工許容差で目標の加工を実行するためには、加工パラメータは、工作物の性質、すなわち、その組成、元の形状、および使用されるレーザー光源の特性に従って決定されなければならない。本発明の方法は、必ずしも前もって経験的試験に頼ることがないレーザー加工パラメータの決定を可能にする。実際、後で詳述される様々なモデルを使用した結果、かつ光ビームが照射されたときの工作物の材料の相互作用パラメータを知ることにより、レーザー加工パラメータを決定することが可能である。本発明の方法に従って実施されるときに決定されたレーザー加工パラメータは、目標の加工を得ることを可能にする。

レーザー加工パラメータは、好ましくは、レーザー加工装置に対して定義され、以下を含むが、それらに限定されない。
−工作物上のレーザービームのスキャン速度、
−レーザー光源によって放射される毎秒のパルス数、
−レーザー光源によって放射される波長、
−加工されるべき材料上のレーザー光源のスポットサイズ、
−レーザー光源によって放射されるパルス当たりのエネルギー、
−レーザー光源によって放射されるパルス持続時間。

工作物は、それが作られる材料およびその寸法によって定義される。たとえば、材料の位置および材料が存在しない位置を明確に定義するために、寸法は多次元空間内で定義することができる。寸法は、たとえば、工作物の粗さを定義することができ、たとえば、それが面によって定義されるとき、粗さは工作物の各面に対して定義することができる。

以下に記載される式からδを決定することは可能であるが、この計算を行うために必要なすべてのパラメータ、定数、または係数を有することは常に容易ではあるとは限らない。本発明の方法の結果、特定のパラメータのばらつきを考慮しながら実験的にδを決定することが可能である。これを行うために、図７ａおよび図７ｂに示されたように、一定の電力値および増加する速度値、ならびに一定の速度値および増加する電力値を用いて、材料の表面全体にわたってスキャンが生成されなければならない。好ましくは、最大深度が測定され、以下に記載される対応するモデルで得られた値と比較されるべきである。モデルで使用されたδ値は、実験点とモデル化された点との間の十分な一致が得られるまで調整されなければならない。

Ｄ^２法を使用するアブレーションしきい値の決定

Ｄ^２法によるアブレーションしきい値の決定は、すべてのタイプの材料のアブレーションしきい値を決定するための、最も受け入れられ、広く使用されている方法である。この方法は、ガウスビーム・エネルギー・プロファイルに使用される（図１を参照）。この方法は、材料の表面でのガウスビームの半径ωおよびインキュベーション係数を推定する可能性を提供するという利点をもつ。

レーザービーム軸に垂直な平面内のフルエンス（またはエネルギー密度）は、

によって与えられ、ここで、ｒはビーム軸までの距離であり、ω^２は最大強度のｅ^−２における材料の表面でのビームの半径である。ビームが表面に集束している場合、
ω＝ω_０である。Ｆ_０は（ｒ＝０での）最大フルエンスであり、以下によって計算され与えられる。

１つまたは複数のレーザーパルスで生成されたアブレーションクレータの直径は、最大フルエンスの関数として表現することができる。

ここで、Ｆ_ｔｈはアブレーションしきい値である。Ｆ_０はＥ_Ｐとともに直線的に増加するので、ビームの半径ωは、式３を使用して、パルスエネルギーの対数の関数として、クレータ直径Ｄ^２のグラフから推定することができる。半径ωは、実験結果によって定義された曲線の傾きから計算することができる。

アブレーションしきい値は、パルスエネルギーの対数の関数として電力２でのクレータ直径（Ｄ^２）を表すグラフ内でゼロに等しいクレータ直径に電力２でのクレータ直径を外挿することによって計算することができる。

一般に、アブレーションしきい値は、加工されるべき材料の表面上の同じ点に入射するパルスの数を増やすことによって減少する。この挙動は、フルエンスがしきい値フルエンスよりも低い場合でも、各パルスで作成された欠陥の蓄積によって引き起こされる放射線吸収率の増加に起因する。放射線吸収率のそのような増加は、以下の式（５）および（６）によって表されるインキュベーション因子またはインキュベーション係数によって特徴付けることができる。

Ｆ_ｔｈ（Ｎ）がＮ個のパルス用のアブレーションしきい値のフルエンスであるとき、Ｆ_ｔｈ（１）は単一のパルス用のアブレーションしきい値のフルエンスであり、Ｓはインキュベーション係数である。Ｓ＝１は、インキュベーションがないことを意味する、すなわち、アブレーションしきい値はパルス数に依存しない。ほとんどの材料のＳ＜１の場合、アブレーションしきい値はパルス数の増加とともに減少する。

一般に、インキュベーションまたはしきい値フルエンスの減少は、大部分の材料、特に最も一般的に使用される材料の最初の１００パルスの間により顕著である。

Ｄ^２法を適用してアブレーションしきい値、インキュベーション係数、および必要な場合ビーム半径を見つけるために、図２に示されたように、パルス数およびパルスエネルギーが増加するクレータ行列が生成されなければならない。十分な実験ポイントを有するために、少なくとも２０のエネルギー値、および１００パルス未満のいくつかのパルス数値が必要である。各クレータの直径は、光学顕微鏡または電子顕微鏡で取得された画像から測定されなければならない。

対角スキャン法を使用するアブレーションしきい値の決定

対角スキャン法またはＤ−Ｓｃａｎ法は、アブレーションしきい値の値を決定するための幾何学的方法である。Ｄ−Ｓｃａｎ法はＤ^２法の代替方法であり、実験時間および実行されるべき測定の数の点でより効率的かつ高速であるという利点をもつ。Ｄ^２法と比較されたこの方法の欠点は、ビーム半径を決定するための方法に関係し、それはパラメータの測定および計算にとって常に重要である。

対角スキャン法は、移動速度を変えながら、様々なビームエネルギーおよび可変数のパルスを使用して、ビームの焦点に対して対角線にサンプルを移動させることを含む（図３）。Ｄ−Ｓｃａｎ法を実施することを可能にする実験は、アブレーションされた表面の決定を含む。アブレーションされた表面は、放射力が以下によって定義される臨界値を超えたポイントに対応する。

ここで、Ｉ_ｔｈは強度の単位のアブレーションしきい値であり、

によって与えられ、ここで、Ｐ_０は最大パルス電力であり、ρ_ｍａｘはアブレーション領域の最大幅である（図３）。アブレーションしきい値は、

によって与えられ、ここで、τ_ｐはパルス持続時間である。

Ｄ−Ｓｃａｎ法を適用してアブレーションしきい値およびインキュベーション係数を見つけるために、スキャンは、図３に示されたように、様々な数の重ね合わされたパルスを測定するために、様々なエネルギー値および移動速度で生成されなければならない。ローブのより広い部分に対応するポイントに重ね合わされたパルスの数は、

によって与えられ、ここで、ｆはパルス周波数であり、ｖ_ｙは軸ｙの方向の速度である。

表皮深度法を使用するδの決定

電子フォノン結合時間がパルス持続時間より長いので、超短レーザーパルスと固体との間の相互作用中、電子は自分のエネルギーをイオンに転送する時間をもたない。これらの条件下では、電子密度は一定のままであると見なすことができ、固体内の電磁場は、材料の式と組み合わせてマクスウェルの式を使用して計算することができる。この場合、材料表面上のレーザーの電場は、材料表面に対する深度とともに指数関数的に減少すると考えることもできる。

ここで、δは浸透深度または表皮深度である。材料の表面はｘ＝０に対応し、式（１２）はｘ＞０の場合に有効である。一般に、吸収深度は、

のように表され、ここで、κは屈折率の虚数部である。

ここで、ε＝ε´＋ｉε´´は誘電関数であり、ω_Ｌはレーザーの周波数である。誘電関数は、以下の計算用のＤｒｕｄｅ式において考慮することができる。

ここで、

は電子プラズマの周波数であり、ｖ_ｅｆｆは電子とイオンの格子との間の有効衝突周波数であり、ｍ_ｅおよびｎ_ｅは、それぞれ、伝導電子の質量および密度である。衝突率が高い場合、ｖ_ｅｆｆ＞＞ωであり、したがって、
ε´´＞＞ε´であり、式（１３）は以下の形式に縮小することができる。

アブレーション深度によるδの決定

表皮深度法によるδの決定のための非平衡条件下では、電子熱伝導時間（ｔ_ｈｅａｔ）、または電子が表皮層の領域内で熱平衡に到達するための時間も、レーザーパルス持続時間より長い。時間ｔ_ｈｅａｔは、熱拡散係数を以下のように表すと、以下の式によって近似することができる。

ここで、Ｋ_Ｔは熱拡散係数であり、ｌ_ｅおよびｖ_ｅは、それぞれ、平均自由電子経路およびその速度である。

この場合のエネルギー保存の法則は、表皮層でのエネルギーの吸収によって引き起こされる電子温度の変化を表現する形式をもつことができる。

ここで、Ｑは表皮層で吸収されるエネルギーフローである。

ここで、Ａ＝Ｉ／Ｉ_０は吸収係数であり、Ｉ_０＝ｃＥ^２／４πは入射レーザー強度である。したがって、吸収係数および表皮深度は、レーザー周波数ω_Ｌ、伝導電子密度ｎ_ｅ、電子−電子および電子−イオン衝突の有効周波数ｖ_ｅｆｆ、レーザーの入射角および偏光の関数である。

フルエンスＦの超高速レーザーで生成されたクレータの深度ｚは、以下の式によれば、ビームの浸透深度と同程度である。

ここで、Ｆ_ｔｈはアブレーション用のしきい値フルエンスであり、δは２つの温度式内の近似およびフルエンス範囲に応じていくつかの解釈を持つ長さである。通常、低フルエンス領域では、δは光吸収係数に関連し、より高いフルエンスの場合は、電子散乱および時間相互作用持続時間などの熱パラメータに関連する。多くの材料では、高フルエンスおよび低フルエンスでのＦ_ｔｈおよびδの値が異なり、境界は材料に依存する。次いで、各材料は、所与のフルエンスゾーン内のパラメータのセット（δ、Ｆ_ｔｈ）によって表される。ガウス強度プロファイルを有するレーザービーム用のレーザーフルエンスＦは、

によって与えられ、ここで、ｒは半径距離（レーザービームの中心からの距離）であり、Ｆ_０はフルエンスピークまたはビームの中心でのフルエンスであり、ω_０は最大強度の１／ｅ^２でのビームの半径である。最大フルエンスＦ_０は、パルスエネルギーＥ_ｐから取得することができる。

ガウスビームを照射した後のパルスによるアブレーション深度は、以下の関係によって与えられる。

このモデルは、適用されたフルエンスに対する材料の応答のみに基づく。この手法によって記載されるすべての幾何学的効果は、フルエンスの時間的分布または空間的分布に関連する。

マルチパルス照射の場合、表面トポグラフィが平坦ではなく放物面になり、連続する各レーザーパルスの後にその深度が増加することが考慮されなければならない。したがって、アブレーション寸法をより正確に予測するために、いくつかの考慮事項が不可欠である。見逃されるべきでない最初の条件は、インキュベーション、またはパルス数でアブレーションしきい値を下げることである。第２に、エネルギー吸収および反射に対する局所表面角度の影響が考慮されなければならない。

最後に、マルチパルス照射は、通常、より深いクレータまたはレーザースキャンを得るために使用されるので、フルエンスのガウスビームの深度による変動も考慮されなければならない。

この説明は、アブレーションしきい値に関して比較的低いフルエンスに対して有効である。より高いフルエンスでは、電子散乱またはレーザーと物質の相互作用の持続時間などの熱パラメータも考慮されなければならない。

ラインアブレーション

ほとんどのアプリケーションでは、サンプルまたはビームが動いている場合、静的な説明は関係がない。数値の説明は動的な状況の場合使用することができる。速度ｖを有する方向ｘの動きを考える。レーザーのパルス繰り返し率はＰＲＲなので、２つの連続するパルス間の距離Δｘは以下のようである。

この場合、放射対称性を仮定することは可能でなく、フルエンスはこの場合ｘおよびｙの位置の関数である。次いで、１回のパスで材料によって見られたパルス数Ｎを入力する必要がある。アブレーション深度は、この場合、以下の式に従って表すことができる。

ビームの集束位置がクレータまたはラインの深度の増加で補正されない場合、それは通常のケースであり、前の式において、ω_０がω（ｚ）によって置き換えられるべきである。クレータプロファイルは、以下によって定義されるＺ（ｙ）「ライン」プロファイルになる。

前の式の分析計算を実行するために、パルス数がｙに依存する、すなわち、それはラインプロファイル全体に沿って同じでないことに留意されたい。パルス数は、以下の式により、ラインに垂直な方向に決定することできる。

１つのパス用のサンプルポイントによって見られるパルスの総数は２Ｎ＋１であることに留意することが重要である。この表現はいくつかのコメントにつながる。まず第１に、複数の静的パルスの場合のように、ラインプロファイルはもはや放物線でない。第２に、Δの値に応じて、パルスの最大数は、小さい、たとえば１０未満であってよい。ほとんどの材料では、前の３つの式によって現実的な結果を得るために、インキュベーション効果も考慮されなければならない。

材料がラインに沿ってアブレーションされるとき、Ｊ／ｃｍ２で表されるフルエンス（Ｆ）は、以下の式により、ラインに垂直な方向に表すことができる。

Δｘは２つの連続するパルスの中心間の距離を表現し、ここで、Ｆ_０はレーザービームｋ・・・のピークフルエンスであり、ω_０は最小ビーム幅である。

アブレーションしきい値Ｆ_ｔｈはＪ．ｃｍ^−２のフルエンスに関連するパラメータなので、アブレーションしきい値に関する以下の仮定が好まれる。
−デブリの再堆積はごくわずかである、
−アブレーション速度は前のパルスとの相互作用の影響を受けない、
−材料の表面上の熱の蓄積、もしくは熱の影響、またはプラズマ吸収は存在しない、
−内部反射は存在しない。

レーザー加工機のパフォーマンスに関して、レーザービームのアブレーション率は以下の式によって定義することができる。

フルーエンスアブレーション率も以下の式によって定義することができる。

次いで、最大アブレーション率は以下の式によって定義することができる。

アブレーション率を定義する式は、以下のパラメータが考慮されることを可能にしないので、制限がある。
−加工部品のコニシティによる飽和、
−反射率（Ｓ、Ｐ）、
−インキュベーション、
−熱効果。

上記のパラメータは、目標の加工用の加工パラメータを予測するためのモデルで考慮に入れることができる。これらのアブレーションプロファイルを定義する式を用いてレーザービームのすべてのフルエンス範囲のアブレーションプロファイルをシミュレーションし、パラメータを変更することは、これらの式において考慮されていない。そのような方法は、あまりに遅い方法であり、あまりに多くの実験を必要とする。

限られた数のパラメータで実験計画を実行し、最終結果に最大の影響を与えるパラメータを識別する。

対角スキャンモデル（Ｄｉａｇｏｎａｌ−Ｓｃａｎ）を使用するしきい値フルエンスの決定

好ましくは、上述された加工パラメータ決定アルゴリズムは、本発明の機械学習アルゴリズムを実装するために使用することができる。

ビームの局所入射角の考察

この局所的な表面角度補正を導入する１つの方法は、ビーム方向と表面との間の角度がクレータの縁からクレータの中心まで変化するので、フルエンスがクレータの中心までの距離ｒとともに変化することを考慮することである。深いクレータの場合、この角度は壁では小さいが、中心で９０°に達するはずである。壁のコニシティγ（ｒ）は、考慮されるｒでのクレータプロファイルの導関数に直接関連する。

それは、（下の図では赤い線Ｌによって示された）クレータプロファイルの各ポイントでの接線の勾配と等しい。したがって、Ｎ個のパルスの後のローカルフルエンスＦ＿Ｎ（ｒ）は、以下のように簡単に表すことができる。

上記の式は、フルエンスが１つのパルスから次のパルスまで一定のままである場合でも、たとえば、サンプルにすでに穴が開いている場合または大きなクレータ形状の場合でも使用することができる。

非垂直ビーム入射の考察

表面に垂直なキャビティ壁を必要とするいくつかのアプリケーションが存在するが、それは、レーザービームが表面に向かって垂直にスキャンされている場合に実現することは困難である。しかしながら、レーザービームが表面に対して傾いている場合は、負または０°の壁のコニシティを取得することができる。これをモデル化するために、ビームに対する表面角度も考慮されなければならない。したがって、前の式は以下のようになる。

ここで、βは表面の法線とレーザービームとの間の角度である（図１）。アブレーションの方向は、元の表面に垂直ではなく、ビームの方向に平行であるべきことも考慮されるべきである。したがって、図１８ｂに示されたように、基準座標はそれに応じて適合されなければならない。

反射率の考察

偏光は、反射ビームの役割のために、金属のレーザーアブレーションプロセスで主要な役割を果たす。入射角αによる反射率の発生は、ｓ、ｐ円偏光用のフレネル公式によって与えられる。

材料によって吸収されるフルエンスは、以下の式によって与えられる。

ここで、Ｒは偏光放射の方向に応じてＲ_Ｓ、Ｒ_Ｐ、またはＲ_{ｃｉｒｃｕｌａｒ}である。表面反射率の寄与が考慮に入れられることを可能にする式によって表現された補正に導入する場合、N個のパルス後に吸収されるローカルフルエンスは以下のようになる。

参照の場合、（図１８ｂ）、α＝９０°−γを使用する。一般に、金属について、コニシティが低い場合、すなわち、ａの値が高い場合、ｐ偏光反射率が低くなり、透過率が向上するので、コニシティが低い場合のアブレーション効率も向上する。斜めビームの場合、βの代わりにα−βを用いて同じ計算を行うことができる。中程度の偏光では、Ｒ_ｓおよびＲ_ｐの反射率式を使用してＮ個のパルス後のローカルフルエンスを定義する式におけるＦ_０（０）での乗法係数による影響が考慮される。この係数は、２０°を超えるコニシティの場合１であり、βの値に応じて、２０°未満のコニシティの場合も１に達することができる。

ガウスビーム伝搬

レーザー治療は、通常、特定の焦点距離のレンズを使用して集束した（ガウス）ビームで実行されるので、ほとんどの実験は焦点面までの表面距離を調整せずに実行されるため、ビーム伝播が考慮されなければならない。アブレーションの深度が増加する。焦点面距離の関数としてのビーム半径の変化は、

によって与えられ、ここで、ｚ_Ｒは以下の関係によって与えられるレイリー距離である。

非垂直入射の場合、図１９に示されたように、幾何補正を適用することにより、ｚおよび動径座標ｒの関数としてのフルエンス分布を数値で決定することができる。傾斜角α＝９０°−βのビームの中心は、以下のように表現することができる。

ここで、ｆは表面から焦点面までの距離である。一方、ビームのこの中心軸に垂直で、一般的な点Ｐ（ｒ、ｚ）を通るラインは、以下によって与えられる。

一般的な点Ｐ（ｒ、ｚ）でのフルエンスを決定するために、平面ｚ_Ｐに沿った強度のガウス分布、および点ＢＰ（ｒ、ｚ）と焦点ｆとの間の距離を知る必要がある。ポイントＢＰは、２つのラインｚ_Ｂおよびｚ_Ｐの交点から計算することができる。

次いで、距離ｚ´およびｒ´は、ポイントＢＰおよびＰのデカルト座標から容易に取得することができる。

２つの距離ｚ’およびｒ’から、次いで、ラインｚ_Ｐによって表現されたこの平面上のビーム幅を使用して、ローカルフルエンスを計算することが可能である。

レーザー治療は、通常、特定の焦点距離のレンズを用いて集束した（ガウス）ビームで実行されるので、ほとんどの実験は、アブレーションの深度が増加するので、焦点面までの表面距離を調整せずに実行されるため、ビーム伝播が考慮されなければならない。
従来技術とは対照的に、中央ユニットによって実装されるアルゴリズムに含まれるモデルは、ビーム伝搬を考慮に入れる。焦点面距離の関数としてのビーム半径の変化は、

によって与えられ、ここで、ｚ＿Ｒ、レイリーの距離は以下の通りである。

たとえば、これにより、焦点直径３０μｍおよび波長１０３０ｎｍのビーム用の焦点面領域内の以下のビーム分布プロファイルが得られる。この場合、レイリー距離は６８６．２７μｍである。

歳差レーザービームを使用する加工のシミュレーション

歳差レーザーアブレーションは、たとえば、ノズルおよびガスを使用すること、またはスキャナヘッドでビームを高速でスキャンすることよりも有利で効率的な、ストレートサイドの穴あけおよび切断を高速で実行することを可能にする技法である。歳差運動は、レーザーの光路内で回転ミラーまたは他の回転要素を使用することによって実現することができる。回転ミラーを使用すると、ビームの回転速度ω（ｒｐｍ）、ＢＦＧ（ベストフォーカス−グローバルビーム）の回転中心の位置、ならびに表面に対するＢＦＩ（ベストフォーカス個別ビーム）ビームの焦点面および迎え角βを制御することが容易である。

このアブレーション構成では、パルスの重ね合わせは、直線的にスキャンされたビームによって生成されるアブレーションとは異なる。ドリル穴のアブレーションプロファイルを決定するために、歳差半径ｒ_Ｐおよび角度θに依存するスポット間の距離ｄｘが知られなければならない。

歳差半径ｒ_Ｐは、

によって与えられ、ここで、ＢＦＧはビームの回転中心までの距離であり、βは迎え角であり、ｚは材料表面までの距離である。

２つの連続するパルス間の距離ｄｘは、ＮＲ個の側面をもつポリゴンの２つの頂点間の距離として計算することができ（式５７）、ここで、ＮＲは１回転中のパルスの総数である。ＮＲは、パルス繰り返し率ＰＲＲ（Ｈｚ）および回転速度ω（ｒｐｍ）に依存する（式５６）。

したがって、最初のパルスｎ_０とパルスｎ_Ｎとの間の距離ｄｘがアブレーションされたクレータの半径ｒ_ｃよりも小さい場合、パルス間に重ね合わせが存在し（図２０ａ）、ｒ_ｃは以下によって与えられる。

最後に、中心までの距離の関数として、１回転中に各パルスｎによって生成されるアブレーションの深度は、

によって与えられ、ここで、δは材料への放射の浸透の深度であり、Ｆ_０は最大フルエンスであり、Ｆ_ｔｈはアブレーションしきい値であり、ｗはガウスビームの半径であり、ｐはガウス次数である。この深度はＲ回反復されなければならず、ここで、Ｒは回転の総数であり、

によって与えられ、ここで、ｐｒｏｃ．ｔｉｍｅは総加工時間である。ガウスビームの半径は、焦点ＢＦＩまでの距離に依存することにも留意されたい。上述された式では、以下に留意することが重要である：加工深度が増加するにつれてｗが変化する。各インパルスの後、加工の一部がすでにアブレーションされている場合、ｒ_Ｐは変化する。

好ましくは、上述された数式は、レーザー加工パラメータを決定するための学習データベースに基づいて訓練され得る学習アルゴリズムを実装するために、個別にまたは組み合わせて使用することができる。

本発明のこれらおよび他の態様は、本発明の特定の実施形態の詳細な説明において明確にされるべきであり、図の図面に対して参照が行われる。
ガウス強度プロファイルを有するビームの主な特性を表す図である。 パルス数およびパルスエネルギーが増加するクレータの行列を表す図である。 ラインに沿った複数のパルスの図である。 図３ａに記載されたラインに対して横方向に得られたフルエンスプロファイルの図である。 図３ａに記載されたラインに対して横方向のパルス数Ｎの分布を表す図である。 ラインに沿った複数のパルスの図である。 図４ａに記載されたラインに対して横方向に得られた溝の深さの図である。 レーザーのフルエンスの関数としてアブレーション率（左）および最大アブレーション率を表すラインの断面について得られたシミュレーション結果を示す図である。 Ｄ−Ｓｃａｎ法を実装するための軸ＹおよびＺの方向へのサンプルの移動を示す図である。 図６ａの実験プロトコルの実装から得られたアブレーションローブの図である。 表皮深度法を使用してδの値を推定するために実行されるべき実験の概略図である。 表皮深度法を使用してδの値を推定するために実行されるべき実験の概略図である。 図７ａに示された実験用のモデルと比較された実験結果を示す図である。 図７ｂに示された実験用のモデルと比較された実験結果を示す図である。 ５ＫＨｚのレーザービームパルス周波数について、図７ａに示された実験からの寸法ρ_ｍｉｎおよびρ_ｍａｘについての結果を示す図である。 １００ＫＨｚのレーザービームパルス周波数について、図７ｂに示された実験からの寸法ρ_ｍｉｎおよびρ_ｍａｘについての結果を示す図である。 図８ａおよび図８ｂの５ＫＨｚおよび１００ＫＨｚの実験の結果を、パルス数Ｎの関数としてフルエンスＦ_ｔｈを示すグラフで示す図である。 左側の偏光Ｓおよび右側の偏光Ｐに対する入射角の関数として測定されたアブレーションのシミュレーションを示す図である。 ガウスビームの伝搬を示し、伝搬距離ｚの関数としてビーム直径ｗを表す図である。 δの２つの値についての実験結果およびシミュレーション結果を表し、ビームフルエンスの関数として最大深度を表す図である。 δの２つの値についての実験結果およびシミュレーション結果を表し、ビームのスキャン速度の関数として最大深度を表す図である。 ステンレス鋼３１６Ｌで得られた実験およびシミュレートされたプロファイルを表す図である。 ステンレス鋼３１６Ｌで得られた実験およびシミュレートされたプロファイルを表す図である。 ステンレス鋼３１６Ｌで得られた実験およびシミュレートされたプロファイルを表す図である。 ステンレス鋼３１６Ｌで得られた実験およびシミュレートされたプロファイルを表す図である。 ステンレス鋼３１６Ｌで得られた実験およびシミュレートされたプロファイルを表す図である。 ステンレス鋼３１６Ｌで得られたスキャンの断面図である。 ステンレス鋼３１６Ｌで得られた対応するシミュレートされた断面図である。 垂直入射角を有する加工の概略図である。 非垂直入射角を有する加工の概略図である。 非垂直入射でのローカルフルエンスの計算のための実験における光ビームの角度の概略図である。 加工されるべき材料の表面の法線とのゼロでない迎え角を有する加工レーザービームで実行される加工のための従来技術による加工プロファイルのシミュレーションを示す図である。 加工されるべき材料の表面の法線とのゼロでない迎え角を有する加工レーザービームで実行される加工のための本発明の方法の特定の実施形態によるシミュレーションを示す図である。 歳差運動レーザー加工ビームを用いた加工の概略図である。 本発明の方法の特定の実施形態による加工のシミュレーションを示す図である。 本発明の方法の特定の実施形態による加工のシミュレーションを示す図である。 加工の断面画像の形で加工結果を示し、図２１ｂに示される加工シミュレーションが加工結果に重ね合わされる図である。 本発明の方法の特定の実施形態による加工のシミュレーションを示す図である。 加工の断面画像の形で加工結果を示し、図２１ｄに示される加工シミュレーションが加工結果に重ね合わされる図である。 本発明の方法の特定の実施形態による加工のシミュレーションを示す図である。 歳差運動または回転加工レーザービームの衝撃点の概略図である。 図２２ａの詳細を示す図である。 本発明の好ましい実施形態のフロー図である。 本発明の好ましい実施形態のフロー図である。 本発明の好ましい実施形態のフロー図である。 本発明の好ましい実施形態のフロー図である。 本発明の好ましい実施形態のフロー図である。 本発明の好ましい実施形態のフロー図である。 本発明の好ましい実施形態のフロー図である。 本発明の好ましい実施形態のフロー図である。 本発明の好ましい実施形態のフロー図である。 図の図面は縮尺通りではない。一般に、同様の要素は図の中の同様の参照によって表記される。図面内の参照番号の存在は、そのような番号が特許請求の範囲において示されるときでも、限定と見なされなくてよい。本発明の方法を実装するための実験装置の例

上述されたモデルを比較するために実行される実験は、研磨されたステンレス鋼３１６Ｌおよび３１６ならびにＴｉＣｒ６Ｓｎ４のサンプルに対して実行された。テストは、約３３０ｆｓのパルス持続時間、１０３０の放射波長、および５００ｋＨｚで最大出力２０ＷのＳａｔｓｕｍａ ＨＰ２（Ａｍｐｌｉｔｕｄｅ Ｓｙｓｔｅｍｓ）フェムト秒レーザーを使用して空気中で実行された。ビームは、焦点距離１００ｍｍのテレセントリックレンズを使用してサンプルの表面に集束し、Ｄ^２法を使用して決定された約１０μｍのスポット半径を生成した。

処理されたサンプルの形態学的分析およびトポグラフィ分析は、共焦点光学顕微鏡（Ｏｌｙｍｐｕｓ ＬＥＸＴ ＯＬＳ４１００）を使用して実行された。

しきい値フルエンス（Ｆｔｈ）値を計算するためにＤ^２法が使用された。δの値を決定するために、パルスエネルギーが増加するいくつかのラインスキャンが生成され、それの深度が測定された。モデルに適用された値δは、実験結果との最良の一致が得られるまで変化した。

好ましくは、データベースに提供される結果の量が多いほど、レーザー加工パラメータがより正確に決定される。
本発明の特定の実施形態の詳細説明

図１は、ガウスレーザービームの強度プロファイルを示す。ビームの中心は、ビーム半径ｒを定義する横軸に沿った値０によって定義され、最大強度Ｉ_０はビームの中心で観測される。ビーム中心に対するビーム半径ω_０は、Ｉ_０／２に等しいビーム強度値に対して定義される。

図２は、Ｄ^２法によるアブレーションしきい値の決定を実装するために加工されるべきクレータ行列を示す。図２は、本発明のレーザー加工機でクレータ行列を生成するための好ましい実施形態を記載する。図２に示された行列は、１０と１１０との間の列の各々についてのパルス数、および本発明のレーザー加工機によって提供することができる最大ビーム値の１０％と１００％の間のビームエネルギーを示す。示されたビームエネルギーおよびパルス数を考慮しながら、そのようなクレータの行列を実現し、続いてこの行列のクレータのトポロジー特性および／または次元特性により、アブレーションしきい値、インキュベーション係数、またはさらにビーム半径を定義することが可能になる。好ましくは、クレータ行列の生成は、図２の矢印によって示されたように、パルス数およびパルスエネルギーを増やしながら実行されるべきである。十分な実験ポイントをもつために、少なくとも２０のエネルギー値および１００パルス未満のいくつかのパルス数値が必要とされる。各クレータの直径は、光学顕微鏡もしくは電子顕微鏡、または側面計で取得された画像から測定することができる。

図３ａは、ラインに沿った複数のパルスを示す。パルスは、ライン上にその中心を有する円によって表される。各円の中心、すなわち、各パルスの最大強度が最大値Ｉ_０である点は、Δｘ＝ｖ／ＰＲＲのラインに沿って間隔が空けられる。ｖはビームの移動速度であり、ＰＲＲは単位時間あたりのパルス数である。図３ａは、各円の間の距離が各円の半径よりも小さい、ラインに沿ったパルスの場合、統計的にラインのエッジよりも多くのパルスがラインの中心に到達することを示す。

図３ｂは、図３ａに記載されたラインに対して横方向に得られたフルエンスプロファイルを示す。このフルエンスプロファイルは、ラインの中心でのフルエンスがラインのエッジでのフルエンスよりもはるかに高いことを示す。

図３ｃは、図３ａに記載されたラインに対して横方向にパルス数Ｎの分布を示す。図３ａの説明から予想されるように、統計的には、ラインのエッジよりも多くのパルスがラインの中心に到達する。

図４ａは、図３ａのように、ラインに沿った複数のパルスを示す。図４ｂは、以下の実験パラメータを用いて図４ａに記載されたラインに対して横方向に得られた溝の深さを示す。
−材料：鋼、
−ｗ_０＝１２．５μｍ、
−Ｆ＝３Ｊ／ｃｍ^２、
−Ｖ＝５０ｍｍ／ｓ、
−ＰＲＲ＝２００ｋＨｚ。

図７ｃおよび図７ｄは、図７ａおよび図７ｂに記載された実験によって得られた対応するモデルと比較された実験結果を表す。図７ｃは、スチール基板上で得られた最大スキャン深度を最大フルエンスの関数として示す。図７ｄは、スチール基板上で得られた最大スキャン深度をオフセット速度またはスキャン速度の関数として示す。

図８ａおよび図８ｂは、本発明のアルゴリズムによる回帰がパラメータω_０を決定することを可能にする、図６ａおよび図６ｂに記載された実験について得られた点群を示す。

図９は、５ＫＨｚおよび１００ＫＨｚの２つのパルス周波数に対するＤ−ｓｃａｎ法の実験結果を示す。これら２つのセットの実験結果の回帰もラインによって示される。これら２つの回帰のパラメータは、Ｇａｍａ、Ｂｅｔａ、およびＡｌｆａによって示される。

図１０は、以下の特性：ｎ＝０．９＋２．２５ｉをもつ鋼基板との偏光ビームの相互作用のためのパラメータを示す。図１０は、偏光ｓおよび偏光ｐのための０°と９０°との間の入射角用の相互作用パラメータを示す。偏光ｐを表す曲線は、９０°の入射角で１００％の最大値を有する曲線である。

図１１は、その最小幅でのビーム幅ｗ_ｚのシミュレーションを示す。最小ビーム幅は、０の値をもつ伝播方向ｚの距離ｚで示される。シミュレートされたビームプロファイルは、方向ｚにおけるビームの発散を示す。

図１２は、ビームフルエンスの関数としての最大深度についての２つのδ値に対する実験結果およびシミュレーションを示す。２Ｊ／ｃｍ^２未満で４．５Ｊ／ｃｍ^２を超えるピークフルエンス値の場合、実験結果は、δ値３２ｎｍおよび３４ｎｍをもつ２つのシミュレーションとは異なる。この図は、２Ｊ／ｃｍ^２より低く、４．５Ｊ／ｃｍ^２より高いフルエンスが使用されるときに、パラメータのより良いシミュレーションまたは加工パラメータのより良い予測を得るために、学習アルゴリズムの必要性を非常によく示す。

図１３は、ビームスキャン速度の関数として最大深度を示し、実験的なアブレーション結果とビームスキャン速度との間の良好な相関関係を示す。実験結果はまた、δパラメータを３２ｎｍから３４ｎｍまで変化させたときに比較的良好な堅牢性を示す。

図１４ａおよび図１４ｂは、最大フルエンス２．１４Ｊ／ｃｍ^２、スキャン速度２３０ｍｍ／ｓ（図１４ａ）および１．２５Ｊ／ｃｍ^２、スキャン速度５０ｍｍ／ｓ（図１４ｂ、偏光ｐおよび２５０ｋＨｚの周波数）を有するステンレス鋼３１６Ｌで得られた実験プロファイルおよびシミュレートされたプロファイルを示す。アブレーションの最大深度ならびにアブレーションプロファイルに関して、実験結果とシミュレーション結果との間の良好な対応関係が観察される。一方、アブレーションのエッジでの材料の再堆積は、シミュレーションによって考慮されない。本発明の予測および学習方法は、実験的に行われたアブレーションのエッジでの材料の再堆積のより良い考察を可能にする。

図１５ａ、図１５ｂ、および図１５ｃは、最大フルエンス１．９２Ｊ／ｃｍ^２、スキャン速度１００ｍｍ／ｓ、周波数１００ｋＨｚのステンレス鋼３１６Ｌで得られた実験プロファイルおよびシミュレートされたプロファイルを表し、図１５ａは１７スキャン後に得られ、図１５ｂは３３スキャン後に得られ、図１５ｃは６５スキャン後に得られる。図１４ａおよび図１４ｂと同じ観察結果を観察することができる。

図１６ａおよび図１６ｂは、図１６ａではスキャンの断面を示し、最大フルエンス２．９Ｊ／ｃｍ^２、スキャン速度５００ｍｍ／ｓ、周波数１００ｋＨｚ、および表面の法線に対して１５°傾斜したビームを有する５００パスのステンレス鋼３１６Ｌ上で得られたシミュレートされた対応するもの（図１６ｂ）を示す。本発明のモデルは、加工されるべき材料に入射するビームの入射角を十分考慮に入れることを可能にする。図１６ａに示されたように、重ね合わされた加工（アブレーション）の顕微鏡検査とシミュレーションとの間には良好な対応関係が存在する。

図１７ａおよび図１７ｂは、工作物の表面に垂直な入射角、および工作物の表面に対する角度９０°−βを表現する入射角で得られた加工プロファイルを示す。たとえば、工作物の表面に対する入射角が異なるこれらの概略図により、ローカルフルエンスを計算することが可能になる。

図１８は、非垂直入射下でのローカルフルエンスの計算のための実験における光ビームの角度の概略図を示す。詳細には、この概略図は、加工されるべき基板での非垂直入射を有するビームの発散を示す。集束ビームのこの発散によって引き起こされる特性がこのように示される。

図１９ａおよび図１９ｂは、加工されるべき材料の表面の法線とのゼロでない迎え角を有する加工レーザービームで実行される加工のための従来技術（図１９ａ）による加工プロファイルのシミュレーションと、本発明の特定の実施形態（図１９ｂ）によるシミュレーションとの間の比較例を示す。図１９ａと図１９ｂの両方は、ｗ_０＝１４μｍ、ＰＲＲ＝２００ｋＨｚ、Δｘ＝０．７５μｍ、Ｆ_０＝８Ｊ／ｃｍ^２、および入射角８°のステンレス鋼で得られたマルチパスプロファイル（どちらの場合も、δ＝３２ｎｍ、Ｆ_ｔｈ（１）＝０．１Ｊ／ｃｍ^２、Ｓ＝０．８、ｎ＝０．９−２．２５ｉ）である。図の中の数字は、シミュレートされた２次元加工プロファイルの各々についての加工レーザービームのパス数を示す。したがって、シミュレーションは５０、１００、２００、３００、４０２個のパスについて実行された。材料の表面に対してゼロでない角度を有する加工レーザービームの処理を可能にする本発明の特定の実施形態は、加工が同じレーザーパラメータをどのように使用しているかの非常に代表的なシミュレーションを可能にする。従来技術の方法を使用するシミュレーションの場合、高い数値が、加工フランクが材料の表面に垂直に近づくことを可能にするが、それに到達することはなく、これは、よく制御された材料の表面に対してフランクのコニシティを有する加工のシミュレーションでは問題になることが観察された。実際、よく制御されたビーム角度での加工を可能にする歳差運動または他の加工レーザービームモジュールは、適切なシミュレーションツールを必要とする。本発明の特定の実施形態は、それらのうちの１つであると思われる。図１９ａおよび図１９ｂの縦軸は、μｍで表されたシミュレートされたアブレーション深度を表す。図１９ａおよび図１９ｂの横軸は、加工されるべき材料の表面に平行な次元に対応する次元ｙを表す。

図２０ａは、歳差レーザー加工ビームを用いた加工の概略図を示す。それは、材料の表面に本質的に垂直な軸ｚに対して、その表面が座標ｚ＝０に対応する加工されるべき材料を示す。レーザービームは、特に、回転方向を示す円形矢印によって示されたように、歳差運動中に回転している。ビームはこの円形矢印の側面から生じ、加工されるべき材料に向けられる。加工レーザービームは、歳差レーザービームの軌跡を示すために、材料を通過するように示される。したがって、レーザービームは、材料の表面に本質的に平行な平面ＢＦＧ上に位置する点ＢＦＧを表現する。図に示されたように、歳差ビームは常に点ＢＦＧにある同じ点を通過する。さらに、平面ＢＦＩは歳差レーザービームが集束する平面である。歳差レーザービームは、材料の表面に垂直であるように表された軸の周りを回転する。したがって、歳差レーザービームは、ビームの回転軸に対するビームのすべての歳差位置についての角度βを表現する。

図２０ｂ、図２０ｃ、図２１ｂ、および図２１ｄは、図２０ａに概略的に示された歳差レーザービームについての本発明の特定の実施形態による加工シミュレーションを示す。図２０ｂ、図２０ｃ、図２１ｂ、および図２１ｄは、軸ｙ、ｚに沿った２次元加工プロファイルを示し、縦軸は次元ｚ（アブレーションの深度）を表し、横軸は次元ｙを表す。図２０ｂは、ＢＦＧ＝１５０μｍおよびＢＦＩ＝−５０μｍを用いた歳差レーザー加工ビームのシミュレーションを可能にする、本発明の特定の実施形態によるシミュレーションに対応する。同様に、図２０ｃは、ＢＦＧ＝−１００μｍおよびＢＦＩ＝−５００μｍを用いて取得された。図２０ｂおよび図２０ｃのシミュレーションは、レーザーパラメータ：ｗ_０＝１０μｍ、ＰＲＲ＝５００ｋＨｚ、Ｅ_ｐ＝２０μＪ、ω＝３００００ｒｐｍ、β＝４．５°、加工時間＝５０ｍｓを用いて取得された。図２１ｂは、ＢＦＧ＝０μｍおよびＢＦＩ＝−４００μｍを用いた歳差レーザー加工ビームのシミュレーションを可能にする、本発明の特定の実施形態によるシミュレーションに対応する。同様に、図２１ｄは、ＢＦＧ＝−１００μｍおよびＢＦＩ＝−５００μｍを用いて取得された。図２１ｂおよび図２１ｄのシミュレーションは、レーザーパラメータ：ｗ_０＝１２μｍ、ＰＲＲ＝１００ｋＨｚ、Ｅ_ｐ＝２７μＪ、ω＝３００００ｒｐｍ、β＝４．５°、加工時間＝５０ｍｓを用いて取得された。

図２１ａおよび図２１ｃは、加工の断面切断画像の形で加工結果を示し、図２１ｂおよび図２１ｃに示された加工シミュレーションは、それぞれ、加工結果に重ね合わされる。したがって、加工シミュレーションは、歳差レーザー加工ビーム用の同じパラメータに基づいて得られる加工の良好な予測を可能にすることが観察される。

図２２ａは、歳差運動または回転加工レーザービームの衝撃点の概略図を示し、図２２ｂは、図２２ａの詳細を示す。図２２ａは、歳差レーザー加工ビームのパルス重ね合わせを示す。それは平面内、好ましくは材料の表面上でのレーザーパルスの投影なので、ここでは軸の周りは点によって表されている。したがって、歳差レーザービームの回転軸は、材料の表面に垂直であり、したがって点によって表される。各円は１つのパルスを表す。各パルスの中心は、加工レーザービームの回転軸を中心とする歳差円上に位置する。歳差円は半径ｒ_ｐをもつ。歳差円上の隣接する各円の中心間の距離はｄｘである。好ましくは、ｄｘは加工中一定である。隣接する各円の中心は、歳差軸に対する角度θを表現する。図２２ｂは、図２２ａの詳細図を表し、その中で、パルスに対応する円の中心は、ｎ_０、ｎ_１、ｎ_２、ｎ_３、・・・と名付けられる。ｎ_０とｎ_１との間の距離はｄ_１であり、ｎ_０とｎ_２との間の距離はｄ_２であり、ｎ_０とｎ_３との間の距離はｄ_３である。

図２３〜図３１は、レーザー加工システムの個々の構成要素、および可能なステップまたは行うことができる決定を表現するフロー図を示す。詳細には、これらのフロー図は、情報の流れを可能にし、最適なパラメータで材料の加工を実現し、または材料データベースおよび／もしくは機械学習によって学習された機能を強化することを可能にする手段を示す。

図２３は、本発明に従って利用可能な様々なアクションのステップおよび遷移制御（Ｇｒａｆｃｅｔ）用の機能グラフまたは機能フローチャートを表す。詳細には、このフローチャートは、材料のパラメータがデータベース内で利用できない場合に、本発明の方法が、加工されるべき材料に関係するデータの取得を可能にするために既定の試験加工の起動に頼るように決定できることを示す。

図２３は以下の手順を示す：加工されるべき材料がレーザー加工システムに伝達され、レーザー加工システムは、この材料に関する情報が材料データベースまたは学習済み機能のデータベースに存在するかどうかを照会する。肯定的な回答の場合、加工パラメータの手動決定または自動決定を選択することが可能である。

加工パラメータが自動化方式で決定される場合、中央ユニットは、求められる加工結果を知る要求を送信する。達成されるべきこの結果はまた、加工されるべき材料が伝達されたときに伝達することができる。ユーザによって定義された達成されるべき結果（目標結果）に基づいて、レーザー加工システム、詳細には中央ユニットは、加工装置の特性に関する情報、ならびに加工されるべき材料の情報に関するデータベースの１つで利用可能な情報を収集する。次いで、学習中央ユニットは、加工されるべき材料、加工装置の特性、および求められる加工結果の情報を考慮することにより、モデル化および／または機械学習用の手段の活用を可能にする。次いで、学習中央ユニットは最適な加工パラメータを生成することができる。次いで、これらの最適な加工パラメータは、達成されるべき結果に従って加工されるべき材料のレーザー加工を開始するために、レーザー加工装置に送信される。学習中央ユニットがネットワーク接続を介してレーザー加工装置に接続されることが可能であり、その結果、学習中央ユニットは、レーザー加工装置に関連して再配置することができる。

加工パラメータが手動で決定される場合、学習中央ユニットは、結果が達成されるためにユーザからパラメータを取得する要求を送信する。好ましくは、ユーザによって送信されるパラメータは、ユーザが最適な結果であると信じるパラメータである。しかしながら、レーザー加工システムのオペレータが達成されるべき結果を達成するパラメータを指定するために、しばしば、いくつかの反復が必要である。パラメータがユーザによって伝達されると、モデル化手段が実装される。モデル化手段は、好ましくは、提供されたパラメータに基づいて加工の推定を可能にするアルゴリズムを含むモデルを備える。したがって、モデル化手段に結合されたシミュレーション手段は、伝達されたパラメータに基づいて得られることが予想される結果のシミュレーションを実行することを可能にする。次いで、オペレータは、パラメータに基づく結果のシミュレーションを達成されるべき結果と比較することができる。シミュレーションが達成すべき結果に一致しない（または十分に一致する）とオペレータが考え、これを学習中央ユニットに伝達した場合、学習中央ユニットは加工パラメータの手動決定または自動決定の間の選択肢を提案する。オペレータは、伝達されたパラメータに基づいて予想された結果のシミュレーションが達成されるべき結果に一致するまで、いくつかの異なる加工パラメータを手動でテストするように決定することができる。オペレータが伝達されたパラメータに基づいて予想された結果（加工）のシミュレーションに満足すると、最後のモデル化およびシミュレーションで使用されたパラメータに基づいて加工を開始するように決定することができる。オペレータはいつでも自動パラメータ検索の使用を選択することができるので、レーザー加工システムは上述された自動モードを使用する。次いで、学習中央ユニットは、求められる加工結果を知る要求を送信し、上述され、フローチャートによって表された最適な加工パラメータを決定する。手動モードでのモデル化／シミュレーションのステップ中、モデル化／シミュレーション手段は、材料データベースならびに加工装置の特性にアクセスすることができる。

加工されるべき材料に関する情報が材料データベースまたは学習済み機能のデータベースに存在するかどうかについての照会に否定の答えが返された場合、レーザー加工システムは既定の加工テストを定義する。これらの既定の加工テストにより、レーザー加工システムが、材料、好ましくは加工されるべき材料と同一である材料データベース内の材料に対する既定の加工を生成することが可能になり、加工は分析ユニットによって分析され、分析結果は学習中央ユニットに送信される。

分析の結果は、加工されるべき材料に固有の物理的または材料の光相互作用パラメータを抽出するためのモデル化手段に伝達される。加工装置の特性に関する情報を受け取るためのモデル化手段。モデル化手段によって決定されたパラメータは、それを強化するために材料データベースに伝達される加工パラメータである。加工されるべき材料がデータベース内で知られているとき、加工プロセスを、特に、手動（本発明）または自動のパラメータ検索を提案する段階に向けて続行することが可能である。

分析結果が学習中央ユニットに報告されると、加工装置の特性にアクセスすることができる学習中央ユニットは、使用されるレーザー加工パラメータに従って得られた加工結果を含む加工データの形で加工パラメータを生成することを可能にする。この加工データは学習データベースに伝達される。好ましい実施形態では、材料データベースおよび学習データベースは共通であり、すべての加工パラメータはこの場合いずれかのデータベースからアクセス可能である。したがって、材料がデータベース内で知られているかどうかに関する質問が発生したとき、加工されるべき材料の特性を物理パラメータの形式または学習データベースの形式でもつと、この質問に肯定の答えを返すことが可能になる。

前の段落に記載された実施形態が図２４に示される。したがって、同じデータベースにより、機械学習アルゴリズムを実装するための学習データベースを形成するために、同じ材料、材料の物理的な特性、ならびにレーザー加工システムに関する情報を収集することが可能になる。好ましくは、材料の物理的な特性ならびに学習用の情報は学習データベースを表す。図２３について記載されたフローチャートの動作は、必要な変更を加えて図２４に適用される。

図２５は、レーザー加工システム向けの決定論的レジームにおける最適な加工パラメータを決定するための本発明の一実施形態を示す。詳細には、この実施形態は、主として本発明によって記載された既知のアルゴリズムの使用に基づく。この実施形態はまた、本発明のアルゴリズムによって取得されるか、またはユーザによって定義されるレーザーパラメータについて取得されるはずのアブレーションのシミュレーションを可能にする。この図は、図２６〜図２８で詳述される実施形態を記載する。これらの実施形態は、図２３および図２４に示されたフローチャートから導出される。

図２６は、たとえば、既定の試験が加工されており、それについて結果が図２３および図２４について記載されたモデル化手段に伝達される場合に、材料データベースへの物理的材料特性の供給を可能にする本発明の一実施形態を示す。モデル化手段に材料データベースを連結する矢印は、いずれの方向にも解釈することができる。この実施形態の目的は、データベースにおける実験パラメータの決定および記憶である。レーザー加工装置によって実行された加工から、この加工の結果は中央ユニットに伝達され、中央ユニットにより、材料の物理的パラメータを抽出するために実験データが処理されることが可能になる。

図２７は、必ずしもレーザー加工装置の使用を必要としないシミュレーションを可能にする本発明の一実施形態を示す。材料データベースに以前記憶された材料の物理的な特性により、ユーザパラメータおよび加工装置の特性に従って、加工について得られる可能性がある結果のシミュレーションが可能になる。

図２８は、達成されるべき結果、レーザー加工装置の特性、および、たとえば前の加工中に観察され、材料データベースに記憶された材料の物理的な特性を含むデータベースから、最適な加工パラメータを決定するための本発明の一実施形態を示す。

図２９は、本発明の一実施形態、特に、材料の物理的な特性または機械学習によって学習された機能を考慮するための機械学習手段に基づく本発明の一実施形態を示す。学習済み機能は、学習機能に含まれる学習アルゴリズム自体の学習の結果である。この情報は、好ましくは、１つのデータベースまたはいくつかのデータベースに記憶される。この実施形態は、好ましくは、非決定論的な最適パラメータ決定レジームに基づき、すなわち、決定論的な機能を定義するアルゴリズムを含むモデル化手段を必ずしも使用しない。

好ましくは、図２９に詳述された実施形態は、（学習から得られた）その学習済み機能がデータベースに記憶される学習機能を含む。この実施形態により、本発明の方法が、過去の経験および観察に基づいて最適なパラメータを学習および改良することが可能になる。たとえば、学習データベースにアクセスすることにより最適な加工パラメータを決定するためのアルゴリズムを学習する際に、他のレーザー加工装置で行われた実験が考慮される。この実施形態はまた、目標の加工用の最適な加工パラメータを得るために、実験データを収集するための特定の実験の実行を可能にする。たとえば、既定の試験は、本発明のレーザー加工システムにおいて利用可能であり、目標の加工に関して高い忠実度で加工を得ることが必要であると考えられるときに適用可能である。

図３０は、機械学習を可能にし、学習機能を学習済み機能として記録する、図２９の特定の実施形態を示す。図３０は、非決定論的レジームにおいて機械学習による学習済み機能のデータベースの供給を示す。好ましくは、この実施形態は、選択された材料で開始することができる既定の加工テストを実施する。たとえば、図２、図３ａ、図６ａ、図６ｂ、図７ａ、図７ｂにおいて、既定の加工テストが定義される。これらのテストにより、分析ユニットによって取得された加工を特徴付けた後、機械学習および学習済み機能の決定が可能になる。これらのテストの結果、およびこれらのテストを考慮して生成された学習済み機能の結果は、次いで、学習データベースに記憶される。

図３１は、加工されるべき材料に対応する学習済み機能に基づいて、中央ユニットまたは学習手段によって生成された最適なパラメータを使用して工作物を加工するための一実施形態を示す。この実施形態により、所望の目標加工に非常に近い加工結果を非常に迅速に得ることが可能になる。図３１は、非決定論的レジーム、すなわち学習アルゴリズムに基づいて学習データベースから学習機能を学習することによる最適な加工パラメータの予測を示す。

本発明は、純粋に例示的な値を有し、限定するものと見なされるべきではない特定の実施形態に関して記載された。概して、本発明は、上記に例示および／または記載された例に限定されない。動詞「備える」、「含む」、「成る」、または任意の他の変形形態、ならびにそれらの接合の使用は、言及された要素以外の要素の存在を決して排除することはできない。要素を紹介するための不定冠詞「ａ」、「ａｎ」、または定冠詞「ｔｈｅ」の使用は、複数のそのような要素の存在を排除しない。クレーム内の参照番号はそれらの範囲を制限してはいけない。

要約すると、本発明は以下のように記載されてもよい。
とりわけ以下のステップを含む、レーザー加工システムを用いて材料を加工するためのレーザー加工パラメータを決定するための方法。
ａ）複数の加工データサンプルに基づいて学習することが可能な学習加工機能を中央ユニットに提供することであって、学習加工機能が、求められる加工結果および加工システムのために以下のレーザー加工パラメータを定義することが可能なアルゴリズムを含む、提供すること。
−偏光、
−Ｅ_ｐパルスエネルギー
−焦点での直径ｗ
−ガウス次数ｐ
−パルス繰り返し率ＰＲＲ ｎ、
−波長、
ｂ）レーザー加工システムが、求められる加工結果に従って加工されるべき材料を加工することができるように学習するために、学習加工機能に作成すること。

ＷＯ２０１５／１１３３０２Ａ１

Claims (32)

1. レーザー加工システムで材料を加工するためのレーザー加工パラメータを決定するための方法であって、
   ａ）使用される前記レーザー加工パラメータの関数として取得された加工結果を含む複数の加工データサンプルを含む学習データベースを提供するステップと、
   ｂ）
   ・機械学習手段、
   ・前記学習データベースと通信するための手段、
   を備える中央ユニットを提供するステップと、
   ｃ）前記中央ユニットにおいて、加工されるべき材料の求められる加工結果を定義するステップと、
   ｄ）前記複数の加工データサンプルに基づいて学習することが可能な学習加工機能を前記中央ユニットに提供するステップであって、前記学習加工機能が、求められる前記加工結果および前記加工システムのために以下のレーザー加工パラメータ：
   ・前記加工レーザービームの偏光に関する情報、
   ・前記加工レーザービームのパルスエネルギーＥ_ｐ、
   ・前記焦点における前記加工レーザービームの直径ｗ、
   ・１〜２０の間の前記加工レーザービームのガウス次数ｐ、
   ・前記加工レーザービームのパルスｎのパルス繰り返し率ＰＲＲ、
   ・前記加工レーザービームの波長、
   を定義することが可能なアルゴリズムを含む、ステップと
   ｅ）前記複数の加工データサンプルに基づいて学習するために、前記中央ユニットの前記機械学習手段で前記学習加工機能を作成することであって、その結果、前記学習加工機能を学習するときにそれによって決定された前記加工パラメータを前記レーザー加工システムに提供することにより、前記レーザー加工システムが求められる前記加工結果に従って加工されるべき前記材料を加工することができる、ステップと
   を含む、方法。
2. 前記学習データベースの前記複数のサンプルが、加工されている前記材料に関する情報を少なくとも部分的に含み、この情報が以下の情報：
   前記材料への前記加工レーザービームの侵入深度に関連するデルタδ、
   加工を可能にする前記レーザービームの最小エネルギー密度に関連するしきい値フルエンスＦ_ｔｈ、
   同じポイントでの前記レーザービームのパルス数に基づく前記しきい値フルエンスの依存性に関連する、０〜１の間のインキュベーション係数Ｓ、
   複素屈折率ｎ＋ｉｋ、
   の少なくとも１つを含むことを特徴とする、請求項１に記載の方法。
3. 前記レーザー加工システムが、方向ｘに移動するレーザー加工ビームを放射することが可能であり、
   ステップｄ）の前記学習機能の前記アルゴリズムが、前記機械学習手段によるその学習の後に、以下のレーザー加工パラメータ：
   ・加工されるべき前記材料の前記表面からの前記レーザー加工ビームの前記焦点の距離、
   ・加工されるべき前記材料に対する前記レーザー加工ビームの移動速度（ｖ）、
   ・加工されるべき前記材料の前記表面に対する前記加工レーザービームの入射角、
   ・加工されるべきラインの数、
   ・以前に定義された前記ラインの間の距離、
   ・加工されるべき各ライン上の前記加工レーザービームのパスの数、
   をさらに定義することが可能であることを特徴とする、請求項１から２のいずれか一項に記載の方法。
4. 前記レーザー加工システムが、回転軸を中心に回転するレーザー加工ビームを放射することが可能なシステムであり、
   ステップｄ）の前記学習機能の前記アルゴリズムが、前記機械学習手段によるその学習の後に、以下のレーザー加工パラメータ：
   ・前記回転軸のまわりの前記レーザービームの回転速度ω、
   ・前記回転レーザービームがすべての回転レーザー加工ビーム位置用の固定スポットを表現する、加工されるべき前記材料の表面からの距離ＢＦＧ、
   ・前記回転レーザービームが集束する加工されるべき前記材料の表面からの距離ＢＦＩ、
   ・前記材料の前記表面の法線に対して前記回転レーザービームのすべての前記位置に対する前記回転加工レーザービームの入射角β、
   ・前記回転加工レーザービームの起動時間、
   をさらに定義することが可能であることを特徴とする、請求項１から２のいずれか一項に記載の方法。
5. 前記加工レーザービームが、回転軸および加工されるべき前記材料の前記表面から前記距離ＢＦＧに位置する回転点の周りを回転する加工レーザービームであることを特徴とする、請求項１から４のいずれか一項に記載の方法。
6. 前記アルゴリズムが、以下の式を含む前記回転加工レーザービームによる前記材料の加工の歳差半径ｒ_ｐに基づく学習ステップを含むことを特徴とする、請求項１から５のいずれか一項に記載の方法。
   

   
7. 前記回転加工ビームの２つの連続するパルスｎが、好ましくは半径ｒ_ｐの円に沿って、距離ｄｘだけ離れていることを特徴とする、請求項１から６のいずれか一項に記載の方法。
8. 請求項２に従属するとき、前記アルゴリズムが、以下の式：
   

   

   を含む前記加工レーザービームのパルスに対するアブレーションされたクレータ半径ｒ_ｃに基づく学習ステップを含むことを特徴とする、請求項１から７のいずれか一項に記載の方法。
9. 求められる加工結果が、
   加工されるべき前記材料の前記表面に実質的に平行な方向を表す軸ｙ、および
   加工されるべき前記材料の前記表面に実質的に垂直な方向を表す軸ｚであって、前記軸ｚが前記材料の前記表面に対するアブレーション深度ｚ_ｎに対応する、軸ｚ
   に従って２次元で定義された加工結果の求められるプロファイルであることを特徴とする、請求項１から８のいずれか一項に記載の方法。
10. 請求項２および７に従属するとき、前記アルゴリズムが、以下の式：
    

    

    を含むアブレーション深度ｚ_ｎに基づく学習ステップを含むことを特徴とする、請求項１から９のいずれか一項に記載の方法。
11. 請求項６に従属するとき、前記デルタδが定数パラメータであることを特徴とする、請求項１から１０のいずれか一項に記載の方法。
12. 前記中央ユニットの前記機械学習手段が、以下の機械学習技法：
    線形回帰、
    決定木、
    ニューラルネットワーク、
    Ｋ−ｎｎ、
    サポート・ベクトル・マシン（ＳＶＭ）、
    ランダムフォレスト、
    のうちの少なくとも１つを含む教師付き機械学習に従って学習するために前記学習機能を作成するように構成されることを特徴とする、請求項１から１１のいずれか一項に記載の方法。
13. 前記中央ユニットの前記機械学習手段が、以下のモデルタイプ：
    回帰、
    分類、
    順位付け、
    のうちの少なくとも１つの教師付き機械学習に従って学習するために前記学習機能を作成するように構成されることを特徴とする、請求項１から１２のいずれか一項に記載の方法。
14. 前記中央ユニットの前記機械学習手段が、以下のモデルタイプ：
    クラスタリング、
    前記次元数の削減、
    推奨システム、
    のうちの少なくとも１つの教師なし機械学習に従って学習するために前記学習機能を作成するように構成されることを特徴とする、請求項１から１３のいずれか一項に記載の方法。
15. 前記中央ユニットが、前記レーザー加工パラメータを決定するためのコンピュータプログラムを実行するように構成されることを特徴とする、請求項１から１４のいずれか一項に記載の方法。
16. 前記コンピュータプログラムを実行するように構成された前記中央ユニットが、非物質化された記憶および計算手段、たとえばクラウド、詳細にはサービスとしてのプラットフォーム、より詳細にはサービスとしてのソフトウェアにアクセス可能であることを特徴とする、請求項１から１５のいずれか一項に記載の方法。
17. 前記方法が、以下の追加ステップ、
    ｆ）加工されるべき前記材料、
    前記レーザー加工装置であって、
    加工されるべき前記材料上に１００ｐｓ未満の超短レーザービームを放射するためのレーザー光源、
    前記レーザー光源からの前記レーザービームの前記放射を制御するための制御ユニット、
    を備える、前記レーザー加工装置、
    前記制御ユニットを制御するための前記中央ユニット、
    前記データベース、
    前記中央ユニットから前記データベースへの通信を可能にする通信手段、
    を含むレーザー加工システムを提供するステップと、
    ｇ）ステップｅ）において前記学習加工機能によって決定された前記レーザー加工パラメータで構成された前記レーザー光源を用いて前記材料を加工するステップと
    をさらに含むことを特徴とする、請求項１から１６のいずれか一項に記載の方法。
18. 前記レーザー加工装置が、
    前記学習データベースに接続された加工されるべき前記材料の状態を分析するためのユニット
    をさらに備え、
    以下の追加ステップ：
    ｈ）前記ステップｇ）の後に前記分析ユニットで加工結果を取得するステップ、
    ｉ）前記加工結果および前記ステップｇ）での加工に使用された前記加工パラメータを前記中央ユニットに送信するステップであって、前記中央ユニットが、使用された前記レーザー加工パラメータに従って得られた加工結果を含む加工データペアを通信するように構成される、ステップ、
    ｊ）前記加工データペアで前記学習データベースを強化するステップ
    が実施されることを特徴とする、請求項１７に記載の方法。
19. 前記学習加工機能の前記機械学習が、既知のレーザー加工パラメータからの前記レーザー加工パラメータの変化に従って加工されるべき材料に対して実行され、特に、前記加工パラメータの前記変化が既定のテストによって示されることを特徴とする、請求項１８に記載の方法。
20. 前記中央ユニットが、
    レーザー加工パラメータの前記変化に従って、加工されるべき前記材料に関する情報間で得られる差を決定するための手段
    をさらに備え、
    前記決定手段によって決定された前記差が前記学習加工機能の改善を可能にするときに、前記学習加工機能の機械学習が実行される
    ことを特徴とする、請求項１９に記載の方法。
21. 前記学習データベースが、物理モデルに基づく、または物理的な材料特性の形態のモデル化／シミュレーション手段から得られる学習機能からの加工されるべき前記材料に関する情報をさらに含むことを特徴とする、請求項１から２０のいずれか一項に記載の方法。
22. 請求項１６に従属するとき、前記制御ユニットが、前記レーザー光源から加工されるべき前記材料への前記光ビームを制御するようにさらに構成されることを特徴とする、請求項１から２１のいずれか一項に記載の方法。
23. 前記学習機能の前記アルゴリズムが、前記学習加工機能の学習を可能にするために、前記学習データベースに供給するためのレーザー加工パラメータを決定することが可能であることを特徴とする、請求項１から２２のいずれか一項に記載の方法。
24. 以下の追加ステップ、
    ｋ）前記中央ユニットによって加工されるべき前記材料の識別を可能にする、加工されるべき前記材料に関する情報を取得するステップ
    をさらに含むことを特徴とする、請求項１から２３のいずれか一項に記載の方法。
25. 以下の追加ステップ、
    ｌ）加工されるべき前記材料の前記加工に基づいて加工戦略をさらに決定するステップであって、好ましくは、前記加工戦略が前記学習加工機能によって決定される、ステップ
    をさらに含むことを特徴とする、請求項１から２４のいずれか一項に記載の方法。
26. 請求項１７および２４に従属するとき、前記方法が、以下の追加ステップ、
    ｍ）既定のレーザー加工パラメータの範囲に従って、前記学習機能によって定義されたレーザー加工パラメータを有する前記光ビームを加工されるべき前記材料に照射するステップと、
    ｎ）前記光学検出ユニットにより、前記光ビームによる加工されるべき前記材料の照射によって生成された結果を取得するステップと、
    ｏ）前記結果を前記中央ユニットに送信し、加工されるべき前記材料に前記光ビームを照射することによって生成された前記結果にアクセスするステップと、
    ｐ）前記中央ユニットにより、前記結果から、前記ステップｍ）で使用された前記レーザー加工パラメータの関数として得られた加工結果を含む加工データのペアを抽出するステップと、
    ｑ）加工データの前記ペアを前記学習データベースに記憶するステップと
    をさらに含むことを特徴とする、請求項１から２５のいずれか一項に記載の方法。
27. 請求項１から２６のいずれか一項に記載の前記方法の前記ステップを実行することが可能な中央ユニットを備える、レーザー加工装置。
28. 加工されるべき前記材料に前記レーザービームを向けるための光学ユニットを備えることを特徴とする、請求項２７に記載の装置。
29. 加工されるべき前記材料に前記レーザービームを向けるための前記光学ユニットが前記レーザービームの歳差運動を可能にすることを特徴とする、請求項２８に記載の装置。
30. 請求項１から２６のいずれか一項に記載の方法を実装するためのコンピュータプログラム。
31. 請求項２７から３０のいずれか一項に記載の前記レーザー加工装置に、請求項３０に記載の前記方法の前記ステップを実行させる命令を含む、請求項３０に記載のコンピュータプログラム。
32. 請求項３１に記載の前記コンピュータプログラムが記録される、コンピュータ可読媒体。

Images