Ya ha llegado una primera ronda de aplicaciones de IA al procesamiento de materiales con láser. Una segunda ronda acelerará enormemente el aprendizaje automático. Lo más importante: la IA vende.
ANDREAS THOSS, EDITOR COLABORADOR
Hasta ahora, la IA ha logrado enormes avances gracias a su capacidad para procesar grandes cantidades de datos. El análisis de millones de documentos de texto, por ejemplo, condujo al desarrollo de grandes modelos de lenguaje con los que nos comunicamos como si fueran humanos. Esto ha sido una promesa desde los primeros días de la informática, así como un tema en muchos libros de ciencia ficción. Se ha cumplido sólo recientemente.
Cortesía del Instituto Fraunhofer de Tecnología Láser ILT, Aquisgrán, Alemania.
En la industria, la IA ha logrado cosas aún más sorprendentes y recientemente se ha vuelto notablemente más rápida.
IA en la industria
Las aplicaciones de la IA en la industria superan con creces el procesamiento del lenguaje (aunque los agentes de IA también conquistan los sitios web de los proveedores). En primer lugar, ayudan a automatizar varias tareas distintas de procesamiento de imágenes. Por ejemplo, el desarrollador de máquinas alemán TRUMPF ofrece un modo AI especial para su software de procesamiento de imágenes. Para la soldadura de horquilla en motores eléctricos, la IA ayuda a identificar los compañeros de soldadura (como las horquillas) cuando surgen dificultades debido al contraste, los reflejos o las sombras en la imagen. Según TRUMPF, la solución ha aumentado el "rendimiento en la primera-pasada" del 99,2% al 99,8%. Esto equivale a 4 veces menos piezas "no correctas".
Pero esto es sólo el comienzo. En el futuro, la IA utilizará datos de múltiples fuentes y mejorará la productividad antes, durante y después del procesamiento. Su capacidad para procesar enormes cantidades de datos es especialmente oportuna ya que varias tendencias están llevando a una creación cada vez mayor de datos en la industria.
Una de esas tendencias es el control de calidad. Los fabricantes de automóviles, por ejemplo, pueden fotografiar cada cordón de soldadura y rastrear los problemas de durabilidad hasta los procesos de fabricación. La IA puede distinguir entre cordones de soldadura "buenos" y "malos" basándose en fotografías recopiladas durante la producción. Este es un ejemplo de un procedimiento en línea o post-proceso que produce datos a lo largo de todos los pasos críticos de producción. Por supuesto, se aplica a algo más que a la fabricación de automóviles.
Una segunda tendencia está relacionada con los gemelos digitales. En un mundo digital se simulan máquinas completas o instalaciones de producción, donde el propio proceso de soldadura se simula en el ordenador. Los datos reales ayudan a mejorar dichos modelos, aunque los datos que producen son esencialmente sintéticos.
Ambas tendencias están estrechamente relacionadas con la evolución de la IA. En el control de calidad, el aprendizaje automático (ML) se utiliza para separar las partes buenas y malas. La máquina aprende qué parámetros son importantes y el operador o programador establece los umbrales de advertencia o cuándo debe detenerse la máquina.
También se ha demostrado el uso de la IA en las inspecciones post-procesos. Por ejemplo, la empresa alemana Scansonic MI utiliza IA para identificar costuras de soldadura buenas y malas en imágenes. Investigaciones futuras determinarán cómo se pueden utilizar los diagnósticos de "uso en-procesos" para el control de procesos de bucle cerrado-. Además del procesamiento de imágenes, esto puede implicar sensores espectrales, triangulación láser para imágenes 3D o tomografía de coherencia óptica para diagnósticos de profundidad de soldadura-.
La soldadura es un buen ejemplo, pero es sólo uno. Esta tecnología puede (y se utilizará) siempre que el caso de uso sea lo suficientemente grande como para justificar la inversión.
La IA en el control de calidad se utiliza principalmente para el reconocimiento de patrones de piezas procesadas. Para cerrar el circuito de control, la IA requiere conocimiento del proceso desde el principio. Por lo tanto, los investigadores utilizan simulaciones de procesos alimentadas con tantos parámetros de proceso como sea posible. Aquí, la IA tiene un potencial aún mayor: - puede conectar parámetros de entrada y salida. Los investigadores de la Instalación Central de Láser del Laboratorio Rutherford Appleton del Consejo de Instalaciones de Ciencia y Tecnología en Inglaterra, por ejemplo, han utilizado IA para optimizar un sistema láser para la aceleración del plasma.1. Hay muchas perillas que girar y el proceso de plasma láser es altamente no lineal. La IA ayudó a los científicos a estabilizar el sistema y establecer un canal de plasma para la aceleración de los electrones.
Aplicada a la industria, la simulación de procesos basada en IA-podría permitir cerrar el ciclo del control de procesos. La IA sabe qué botón girar para que la calidad del producto vuelva a ser la especificada. Puede aprender experimentando virtualmente con todos los mandos y explorando el panorama de parámetros. Existen-modelos bien conocidos para resolver esta tarea.
Pero probar todas las variaciones puede llevar mucho tiempo- y energía-. La pregunta interesante en este punto se relaciona con el conocimiento previo: ¿cuánto más rápido puede llegar a ser el aprendizaje de la IA si el modelo se alimenta de lo que los humanos ya saben sobre el proceso?
Tendencias de la IA en la industria fotónica
Los días . 2 y 3 de octubre de 2025, la asociación industrial alemana SPECTARIS -, con el apoyo del Instituto Fraunhofer de Tecnología Láser ILT (Fraunhofer ILT) y la Asociación Federal BITMi -, llevó a cabo un taller sobre IA en fotónica. Los participantes procedían de instituciones de investigación, incluido el propio Fraunhofer ILT, y de varias universidades, pero principalmente de la industria, con representantes de Microsoft, ZEISS, TRUMPF, Audi, Precitec Vision, Bystronic, Blackbird Robotersysteme, 4D Photonics GmbH y más. Si bien algunas de las 27 presentaciones discutieron la IA en el diseño óptico, el taller se centró principalmente en las aplicaciones de la IA en la tecnología láser industrial.
Los asistentes de IA podrían ayudar a los operadores de láser a encontrar el tutorial adecuado en una gran base de conocimientos u optimizar la planificación de trayectorias en el corte por láser. Más interesante es cómo la IA respalda decisiones complejas, por ejemplo, en el control de calidad de los procesos de soldadura láser o de fabricación aditiva por láser. Carlo Holly, catedrático de Tecnología de Sistemas Ópticos de la Universidad RWTH de Aquisgrán y jefe de departamento del Fraunhofer ILT, resumió la principal tendencia en su presentación plenaria: "Ahora estamos pasando de una IA basada en datos-a una IA basada en datos- y física-informada".
Holly explicó esto con un ejemplo de su investigación. Un equipo de Fraunhofer ILT desarrolló previamente un proceso para la deposición de material por láser de alta-velocidad (EHLA, o deposición de material por láser de extrema alta-velocidad). Más de 100 parámetros influyen en la calidad del recubrimiento en este proceso. Por lo tanto, transferir el proceso a otro material suele tardar dos años con 1.500 experimentos y análisis. Utilizando un modelo sustituto del proceso y un modelo de optimización de IA (bayesiano), el equipo de Holly redujo significativamente el número de pruebas: solo se necesitaron 17 pruebas para encontrar los parámetros óptimos del proceso.2.
Por supuesto, encontrar los modelos y estrategias adecuados es un tema de investigación en curso. Es alentador que las investigaciones actuales hayan demostrado que el tiempo necesario para la optimización de procesos se ha reducido a minutos en lugar de meses. Y, por supuesto, la optimización automatizada de procesos es el siguiente paso hacia el control de procesos de bucle cerrado-.
ML con 10 veces menos datos anotados
Mientras que la optimización de procesos se beneficia del conocimiento previo, el ML puede beneficiarse de lo contrario. Holly presentó este hecho sorprendente en el taller de SPECTARIS con la idea del aprendizaje automático sin anotaciones-. Su colega Julius Neuß demostró más tarde cómo se ve esto en el control de calidad de un proceso de soldadura, basándose en experimentos con soldadura láser de carcasas de baterías de aluminio.
Como punto de partida, Neuß comparó el nuevo enfoque con el clásico flujo de trabajo supervisado. En una configuración supervisada, los operadores deben anotar manualmente cada parte de la costura de soldadura: posición del alambre, charco de fusión, geometría del cordón, poros y salpicaduras (Figura 1). Incluso para un conjunto de datos pequeño, esto rápidamente requiere mucho trabajo-. Además, la IA sólo aprende lo que está explícitamente etiquetado y su solidez está limitada tanto por la diversidad como por la calidad del conjunto de datos anotados.
