接觸式輪廓儀自動標注方法研究

A. 輪廓儀的介紹

輪廓儀採用進口高精度光柵測量系統、高精度研磨導軌、高性能非接觸直線電機、音圈電機測力系統、高性能計算機控制系統技術，實現對各種工件表面輪廓進行測量和分析。通過高精度研磨導軌、高性能直線電機保證測量的高穩定性及直線度，採用進口高精度光柵測量系統建立工件表面輪廓的二維坐標，計算機通過修正演算法對光柵數據進行修正，最終還原出工件輪廓信息並以曲線圖顯示出來，通過軟體提供的分析工具可對輪廓進行各種參數分析。

輪廓儀為全自動測量設備，操作者只需裝好被測工件，在檢定軟體上設定掃描的開始、結束位置，點擊「開始」按鈕，測針會自動接觸工件表面，並按設定的位置掃描；在進行輪廓掃描的過程中，軟體界面會實時描繪輪廓曲線；掃描結束後，操作者可通過輪廓分析工具對生成的輪廓曲線進行分析，得到如直線度、圓度、角度、距離、間距等輪廓參數。

系統軟體為簡體中文操作系統，操作方便。

輪廓儀主要技術指標：

1. X軸

1) 測量范圍：0～200mm；

2) 示值誤差：±(1.2+2L/100)μm，其中L為水平測量長度，單位：mm；

3) 解析度：0.01μm；

4) 直線度：2μm/200mm

5) 測量速度：0.1～5mm/s；

6) 移動速度：0～80mm/s；

2. Z軸

1) 測量范圍：0～450mm；

2) 移動速度：0～30mm/s；

3. Z0軸

1) 測量范圍：±25mm；

2) 示值誤差：±(2+|2H|/40)μm，其中H為垂直測量高度，單位：mm；

3) 解析度：0.01μm；

4. 測量力：10～150mN；

5. 爬坡能力：上坡77º，下坡83º。

B. 輪廓儀的參數對比

日本Mitutoyo輪廓儀 機型技術參數 CV-1000 CV-2000 CV-3200 CV-4100 CV-3000CNC CV-4000CNC X軸測量范圍 50mm 100mm 100mm 100或200mm 200mm 200mm X軸解析度 0.2μm 0.2μm 0.5μm 0.5μm 0.05μm 0.05μm Z1軸（檢測器）測量范圍 25mm 40mm ±25mm ±25mm ±25mm ±25mm 檢測器解析度 0.4μm 0.5μm 0.2μm 0.05μm 0.2μm 0.05μm 垂直移動 - 250或320mm 300或500mm 300或500mm 300或500mm 300或500mm 測量力 10-30mN 10-30mN 30mN 30mN 適用標准 評價參數 顯示語言 16國語言（日本、英語、簡體中文、繁體中文、德語、法語、韓語等） 外觀 中型台式 大型台式 列印 可外接列印機

C. 什麼是輪廓儀

輪廓儀，顧名思義，是測量產品表面輪廓尺寸的儀器，根據工作原理的不同，可以分為接觸式輪廓儀和非接觸式輪廓（光學輪廓儀）。

1.接觸式輪廓儀

接觸式輪廓儀是通過觸針在被測物體表面滑過獲取表面輪廓參數，如角度處理（坐標角度，與Y坐標的夾角，兩直線夾角）、圓處理（圓弧半徑，圓心到圓心距離，圓心到直線的距離，交點到圓心的距離，直線到切點的距離）、點線處理（兩直線交點，交點到直線距離，交點與交點距離，交點到圓心的距離）、直線度、凸度、對數曲線、槽深、槽寬、溝曲率半徑、溝邊距、溝心距、輪廓度、水平距離等形狀參數。代表型號為SJ57系列。

D. 輪廓儀測量原理

測量原理：

電動輪廓儀是通過儀器的觸針與被測表面的滑移進行測量的，是接觸測量。其主要優點是可以直接量某些難以測量到的零件表面，如孔、槽等的表面粗糙度，又能直接按某種評定標准讀數或是描繪出表面輪廓曲線的形狀，且測量速度快、結果可靠、操作方便。但是被測表面容易被觸針劃傷，為此應在保證可靠接觸的前提下盡量減少測量壓力。

功能特性：

可測量各種精密機械零件的素線形狀，直線度、角度、凸度、對數曲線、槽深、槽寬等參數。

適用范圍：

本系列儀器廣泛應用於機械加工、電機、汽配、摩配、精密五金、精密工具、刀具、模具、光學元件等行業。適用於科研院所、大專院校、計量機構和企業計量室、車間。可測軸承、滾針、滾子、電機軸、曲軸、圓柱銷、活塞銷、活塞、氣門、閥門、齒輪、油泵油嘴、液壓件、氣動件、紡機配件等。

主要優點：

感測器的觸針由金剛石製成，針尖圓弧半徑為2微米，在觸針的後端鑲有導塊，形成一條相對於工件表面宏觀起伏的測量的基準，使觸針的位移僅相對於感測器殼體上下運動，所以導塊能起到消除宏觀幾何形狀誤差和減小紋波度對表面粗糙度測量結果的影響。感測器以鉸鏈形式和驅動箱連接，能自由下落，從而保證導塊始終與被測表面接觸。

濟南揚文商貿有限公司公司產品輪廓儀採用非接觸、光學相移干涉測量方法，測量時不損傷工件表面，能快速測得各種工件表面微觀形貌的立體圖形，並分析計算出測量結果。適用於測量各種量塊、光學零件表面的粗糙度；標尺、度盤的刻線深度；光柵的槽形結構鍍層厚度和鍍層邊界處的結構形貌；磁（光）盤、磁頭表面結構測量；矽片表面粗糙度及其上圖形結構測量等等。

E. 誰有機電專業，尤其是數控機床方面的實習報告(論文形式)啊需要參考文獻等內容。大家幫幫忙忙了。

畢業論文
一，我國數控系統的發展史
1.我國從1958年起，由一批科研院所，高等學校和少數機床廠起步進行數控系統的研製和開發。由於受到當時國產電子元器件水平低，部門經濟等的制約，未能取得較大的發展。
2.在改革開放後，我國數控技術才逐步取得實質性的發展。經過「六五"(81----85年)的引進國外技術，「七五」(86------90年)的消化吸收和「八五」(91~一-95年)國家組織的科技攻關，才使得我國的數控技術有了質的飛躍，當時通過國家攻關驗收和鑒定的產品包括北京珠峰公司的中華I型，華中數控公司的華中I型和沈陽高檔數控國家工程研究中心的藍天I型，以及其他通過「國家機床質量監督測試中心」測試合格的國產數控系統如南京四開公司的產品。
3.我國數控機床製造業在80年代曾有過高速發展的階段，許多機床廠從傳統產品實現向數控化產品的轉型。但總的來說，技術水平不高，質量不佳，所以在90年代初期面臨國家經濟由計劃性經濟向市場經濟轉移調整，經歷了幾年最困難的蕭條時期，那時生產能力降到50%，庫存超過4個月。從1 9 9 5年「九五」以後國家從擴大內需啟動機床市場，加強限制進口數控設備的審批，投資重點支持關鍵數控系統、設備、技術攻關，對數控設備生產起到了很大的促進作用，尤其是在1 9 9 9年以後，國家向國防工業及關鍵民用工業部門投入大量技改資金，使數控設備製造市場一派繁榮。

三，數控車的工藝與工裝削
閱讀：133

數控車床加工的工藝與普通車床的加工工藝類似，但由於數控車床是一次裝夾，連續自動加工完成所有車削工序，因而應注意以下幾個方面。

1. 合理選擇切削用量

對於高效率的金屬切削加工來說，被加工材料、切削工具、切削條件是三大要素。這些決定著加工時間、刀具壽命和加工質量。經濟有效的加工方式必然是合理的選擇了切削條件。

切削條件的三要素：切削速度、進給量和切深直接引起刀具的損傷。伴隨著切削速度的提高，刀尖溫度會上升，會產生機械的、化學的、熱的磨損。切削速度提高20%，刀具壽命會減少1/2。

進給條件與刀具後面磨損關系在極小的范圍內產生。但進給量大，切削溫度上升，後面磨損大。它比切削速度對刀具的影響小。切深對刀具的影響雖然沒有切削速度和進給量大，但在微小切深切削時，被切削材料產生硬化層，同樣會影響刀具的壽命。

用戶要根據被加工的材料、硬度、切削狀態、材料種類、進給量、切深等選擇使用的切削速度。

最適合的加工條件的選定是在這些因素的基礎上選定的。有規則的、穩定的磨損達到壽命才是理想的條件。

然而，在實際作業中，刀具壽命的選擇與刀具磨損、被加工尺寸變化、表面質量、切削雜訊、加工熱量等有關。在確定加工條件時，需要根據實際情況進行研究。對於不銹鋼和耐熱合金等難加工材料來說，可以採用冷卻劑或選用剛性好的刀刃。

2. 合理選擇刀具

1) 粗車時，要選強度高、耐用度好的刀具，以便滿足粗車時大背吃刀量、大進給量的要求。

2) 精車時，要選精度高、耐用度好的刀具，以保證加工精度的要求。

3) 為減少換刀時間和方便對刀，應盡量採用機夾刀和機夾刀片。

3. 合理選擇夾具

1) 盡量選用通用夾具裝夾工件，避免採用專用夾具；

2) 零件定位基準重合，以減少定位誤差。

4. 確定加工路線

加工路線是指數控機床加工過程中，刀具相對零件的運動軌跡和方向。

1) 應能保證加工精度和表面粗糙要求；

2) 應盡量縮短加工路線，減少刀具空行程時間。

5. 加工路線與加工餘量的聯系

目前，在數控車床還未達到普及使用的條件下，一般應把毛坯上過多的餘量，特別是含有鍛、鑄硬皮層的餘量安排在普通車床上加工。如必須用數控車床加工時，則需注意程序的靈活安排。

6. 夾具安裝要點

目前液壓卡盤和液壓夾緊油缸的連接是靠拉桿實現的，如圖1。液壓卡盤夾緊要點如下：首先用搬手卸下液壓油缸上的螺帽，卸下拉管，並從主軸後端抽出，再用搬手卸下卡盤固定螺釘，即可卸下卡盤。
四，進行有效合理的車削加工
閱讀：102

有效節省加工時間

Index公司的G200車削中心集成化加工單元具有模塊化、大功率雙主軸、四軸聯動的功能，從而使加工時間進一步縮短。與其他藉助於工作軸進行裝夾的概念相反，該產品運用集成智能加工單元可以使工件自動裝夾到位並進行加工。換言之，自動裝夾時，不會影響另一主軸的加工，這一特點可以縮短大約10％的加工時間。

此外，四軸加工非常迅速，可以同時有兩把刀具進行加工。當機床是成對投入使用的時候，效率的提高更為明顯。也就是說，常規車削和硬車可以並行設置兩台機床。

常規車削和硬車之間的不同點僅僅在於刀架和集中恆溫冷卻液系統。但與常規加工不同的是：常規加工可用兩個刀架和一個尾架進行加工；而硬車時只能使用一個刀架。在兩種類型的機床上都可進行乾式硬加工，只是工藝方案的製造者需要精心設計平衡的節拍時間，而Index機床提供的模塊結構使其具有更強的靈活性。

以高精度提高生產率

隨著生產效率的不斷提高，用戶對於精度也提出了很高的要求。採用G200車削中心進行加工時，冷啟動後最多需要加工4個工件，就可以達到±6mm的公差。加工過程中，精度通常保持在2mm。所以Index公司提供給客戶的是高精度、高效率的完整方案，而提供這種高精度的方案，需要精心選擇主軸、軸承等功能部件。

G200車削中心在德國寶馬Landshut公司汽車製造廠的應用中取得了良好的效果。該廠不僅生產發動機，而且還生產由輕金屬鑄造而成的零部件、車內塑料裝飾件和轉向軸。質量監督人員認為，其加工精度非常精確：連續公差帶為±15mm，軸承座公差為±6.5mm。

此外，加工的萬向節使用了Index公司全自動智能加工單元。首批的兩台車削中心用來進行工件打號之前的預加工，加工後進行在線測量，然後通過傳送帶送出進行滾齒、清洗和淬火處理。最後一道工序中，採用了第二個Index加工系統。由兩台G200車削中心對轉向節的軸承座進行硬車。在機床內完成在線測量，然後送至卸料單元。集成的加工單元完全融合到車間的布局之中，符合人類工程學要求，佔地面積大大減少，並且只需兩名員工看管製造單元即可。

五，數控車削加工中妙用G00及保證尺寸精度的技巧

數控車削加工技術已廣泛應用於機械製造行業，如何高效、合理、按質按量完成工件的加工，每個從事該行業的工程技術人員或多或少都有自己的經驗。筆者從事數控教學、培訓及加工工作多年，積累了一定的經驗與技巧，現以廣州數控設備廠生產的GSK980T系列機床為例，介紹幾例數控車削加工技巧。

一、程序首句妙用G00的技巧

目前我們所接觸到的教科書及數控車削方面的技術書籍，程序首句均為建立工件坐標系，即以G50 Xα Zβ作為程序首句。根據該指令，可設定一個坐標系，使刀具的某一點在此坐標系中的坐標值為(Xα Zβ)(本文工件坐標系原點均設定在工件右端面)。採用這種方法編寫程序，對刀後，必須將刀移動到G50設定的既定位置方能進行加工，找准該位置的過程如下。

1. 對刀後，裝夾好工件毛坯；
2. 主軸正轉，手輪基準刀平工件右端面A；
3. Z軸不動，沿X軸釋放刀具至C點，輸入G50 Z0，電腦記憶該點；
4. 程序錄入方式，輸入G01 W-8 F50，將工件車削出一台階；
5. X軸不動，沿Z軸釋放刀具至C點，停車測量車削出的工件台階直徑γ，輸入G50 Xγ，電腦記憶該點；
6. 程序錄入方式下，輸入G00 Xα Zβ，刀具運行至編程指定的程序原點，再輸入G50 Xα Zβ，電腦記憶該程序原點。

上述步驟中，步驟6即刀具定位在XαZβ處至關重要，否則，工件坐標系就會被修改，無法正常加工工件。有過加工經驗的人都知道，上述將刀具定位到XαZβ處的過程繁瑣，一旦出現意外，X或Z軸無伺服，跟蹤出錯，斷電等情況發生，系統只能重啟，重啟後系統失去對G50設定的工件坐標值的記憶，「復位、回零運行」不再起作用，需重新將刀具運行至XαZβ位置並重設G50。如果是批量生產，加工完一件後，回G50起點繼續加工下一件，在操作過程中稍有失誤，就可能修改工件坐標系。鑒於上述程序首句使用G50建立工件坐標系的種種弊端，筆者想辦法將工件坐標系固定在機床上，將程序首句G50 XαZβ改為G00 Xα Zβ後，問題迎刃而解。其操作過程只需採用上述找G50過程的前五步，即完成步驟1、2、3、4、5後，將刀具運行至安全位置，調出程序，按自動運行即可。即使發生斷電等意外情況，重啟系統後，在編輯方式下將游標移至能安全加工又不影響工件加工進程的程序段，按自動運行方式繼續加工即可。上述程序首句用 G00代替G50的實質是將工件坐標系固定在機床上，不再囿於G50 Xα Zβ程序原點的限制，不改變工件坐標系，操作簡單，可靠性強，收到了意想不到的效果。中國金屬加工在線

二、控制尺寸精度的技巧

1. 修改刀補值保證尺寸精度

由於第一次對刀誤差或者其他原因造成工件誤差超出工件公差，不能滿足加工要求時，可通過修改刀補使工件達到要求尺寸，保證徑向尺寸方法如下：

a. 絕對坐標輸入法

根據「大減小，小加大」的原則，在刀補001～004處修改。如用2號切斷刀切槽時工件尺寸大了0.1mm，而002處刀補顯示是X3.8，則可輸入X3.7，減少2號刀補。
b. 相對坐標法

如上例，002刀補處輸入U-0.1，亦可收到同樣的效果。

同理，對於軸向尺寸的控制亦如此類推。如用1號外圓刀加工某處軸段，尺寸長了0.1mm，可在001刀補處輸入W0.1。

2. 半精加工消除絲桿間隙影響保證尺寸精度

對於大部分數控車床來說，使用較長時間後，由於絲桿間隙的影響，加工出的工件尺寸經常出現不穩定的現象。這時，我們可在粗加工之後，進行一次半精加工消除絲桿間隙的影響。如用1號刀G71粗加工外圓之後，可在001刀補處輸入U0.3，調用G70精車一次，停車測量後，再在001刀補處輸入U-0.3，再次調用G70精車一次。經過此番半精車，消除了絲桿間隙的影響，保證了尺寸精度的穩定。
3. 程序編制保證尺寸精度

a. 絕對編程保證尺寸精度

編程有絕對編程和相對編程。相對編程是指在加工輪廓曲線上，各線段的終點位置以該線段起點為坐標原點而確定的坐標系。也就是說，相對編程的坐標原點經常在變換，連續位移時必然產生累積誤差，絕對編程是在加工的全過程中，均有相對統一的基準點，即坐標原點，故累積誤差較相對編程小。數控車削工件時，工件徑向尺寸的精度一般比軸向尺寸精度高，故在編寫程序時，徑向尺寸最好採用絕對編程，考慮到加工及編寫程序的方便，軸向尺寸常採用相對編程，但對於重要的軸向尺寸，最好採用絕對編程。
b. 數值換算保證尺寸精度

很多情況下，圖樣上的尺寸基準與編程所需的尺寸基準不一致，故應先將圖樣上的基準尺寸換算為編程坐標系中的尺寸。如圖2b中，除尺寸13.06mm外，其餘均屬直接按圖2a標注尺寸經換算後而得到的編程尺寸。其中， φ29.95mm、φ16mm及60.07mm三個尺寸為分別取兩極限尺寸平均值後得到的編程尺寸。

4. 修改程序和刀補控制尺寸

數控加工中，我們經常碰到這樣一種現象：程序自動運行後，停車測量，發現工件尺寸達不到要求，尺寸變化無規律。如用1號外圓刀加工圖3所示工件，經粗加工和半精加工後停車測量，各軸段徑向尺寸如下：φ30.06mm、φ23.03mm及φ16.02mm。對此，筆者採用修改程序和刀補的方法進行補救，方法如下：

a. 修改程序

原程序中的X30不變，X23改為X23.03，X16改為X16.04，這樣一來，各軸段均有超出名義尺寸的統一公差0.06mm；
b. 改刀補

在1號刀刀補001處輸入U-0.06。

經過上述程序和刀補雙管齊下的修改後，再調用精車程序，工件尺寸一般都能得到有效的保證。

數控車削加工是基於數控程序的自動化加工方式，實際加工中，操作者只有具備較強的程序指令運用能力和豐富的實踐技能，方能編制出高質量的加工程序，加工出高質量的工件。
六，數控機床故障排除方法及其注意事項
由於經常參加維修任務，有些維修經驗，現結合有關理論方面的闡述，在以下列出，希望拋磚引玉。

一、故障排除方法

（1）初始化復位法：一般情況下，由於瞬時故障引起的系統報警，可用硬體復位或開關系統電源依次來清除故障，若系統工作存貯區由於掉電，拔插線路板或電池欠壓造成混亂，則必須對系統進行初始化清除，清除前應注意作好數據拷貝記錄，若初始化後故障仍無法排除，則進行硬體診斷。

（2）參數更改，程序更正法：系統參數是確定系統功能的依據，參數設定錯誤就可能造成系統的故障或某功能無效。有時由於用戶程序錯誤亦可造成故障停機，對此可以採用系統的塊搜索功能進行檢查，改正所有錯誤，以確保其正常運行。

（3）調節，最佳化調整法：調節是一種最簡單易行的辦法。通過對電位計的調節，修正系統故障。如某廠維修中，其系統顯示器畫面混亂，經調節後正常。如在某廠，其主軸在啟動和制動時發生皮帶打滑，原因是其主軸負載轉矩大，而驅動裝置的斜升時間設定過小，經調節後正常。

最佳化調整是系統地對伺服驅動系統與被拖動的機械繫統實現最佳匹配的綜合調節方法，其辦法很簡單，用一台多線記錄儀或具有存貯功能的雙蹤示波器，分別觀察指令和速度反饋或電流反饋的響應關系。通過調節速度調節器的比例系數和積分時間，來使伺服系統達到即有較高的動態響應特性，而又不振盪的最佳工作狀態。在現場沒有示波器或記錄儀的情況下，根據經驗，即調節使電機起振，然後向反向慢慢調節，直到消除震盪即可。

（4）備件替換法：用好的備件替換診斷出壞的線路板，並做相應的初始化啟動，使機床迅速投入正常運轉，然後將壞板修理或返修，這是目前最常用的排故辦法。

（5）改善電源質量法：目前一般採用穩壓電源，來改善電源波動。對於高頻干擾可以採用電容濾波法，通過這些預防性措施來減少電源板的故障。

（6）維修信息跟蹤法：一些大的製造公司根據實際工作中由於設計缺陷造成的偶然故障，不斷修改和完善系統軟體或硬體。這些修改以維修信息的形式不斷提供給維修人員。以此做為故障排除的依據，可正確徹底地排除故障。

二、維修中應注意的事項

（1）從整機上取出某塊線路板時，應注意記錄其相對應的位置，連接的電纜號，對於固定安裝的線路板，還應按前後取下相應的壓接部件及螺釘作記錄。拆卸下的壓件及螺釘應放在專門的盒內，以免丟失，裝配後，盒內的東西應全部用上，否則裝配不完整。

（2）電烙鐵應放在順手的前方，遠離維修線路板。烙鐵頭應作適當的修整，以適應集成電路的焊接，並避免焊接時碰傷別的元器件。

（3）測量線路間的阻值時，應斷電源，測阻值時應紅黑表筆互換測量兩次，以阻值大的為參考值。

（4）線路板上大多刷有阻焊膜，因此測量時應找到相應的焊點作為測試點，不要鏟除焊膜，有的板子全部刷有絕緣層，則只有在焊點處用刀片刮開絕緣層。

（5）不應隨意切斷印刷線路。有的維修人員具有一定的家電維修經驗，習慣斷線檢查，但數控設備上的線路板大多是雙面金屬孔板或多層孔化板，印刷線路細而密，一旦切斷不易焊接，且切線時易切斷相鄰的線，再則有的點，在切斷某一根線時，並不能使其和線路脫離，需要同時切斷幾根線才行。

（6）不應隨意拆換元器件。有的維修人員在沒有確定故障元件的情況下只是憑感覺那一個元件壞了，就立即拆換，這樣誤判率較高，拆下的元件人為損壞率也較高。

（7）拆卸元件時應使用吸錫器及吸錫繩，切忌硬取。同一焊盤不應長時間加熱及重復拆卸，以免損壞焊盤。

（8）更換新的器件，其引腳應作適當的處理，焊接中不應使用酸性焊油。

（9）記錄線路上的開關，跳線位置，不應隨意改變。進行兩極以上的對照檢查時，或互換元器件時注意標記各板上的元件，以免錯亂，致使好板亦不能工作。

（10）查清線路板的電源配置及種類，根據檢查的需要，可分別供電或全部供電。應注意高壓，有的線路板直接接入高壓，或板內有高壓發生器，需適當絕緣，操作時應特別注意。

最後，我覺得：維修不可墨守陳規，生搬理論的東西，一定要結合當時當地的實際情況，開闊思路，逐步分析，逐個排除，直至找到真正的故障原因。
綜上所述，數控技術的發展是與現代計算機技術、電子技術發展同步的，同時也是根據生產發展的需要而發展的。現在數控技術已經成熟，發展將更深更廣更快。未來的CNC系統將會使機械更好用，更便宜。
參考資料：參考資料：1.張耀宗.機械加工實用手冊編寫組.機械工業出版社，1997

F. AI生成模型：超越數據觀測與計算機模擬的第三條科學探索之路

導語

最先進的人工智慧演算法已經開始在探測星系的演化、計算量子力學波函數、 探索 新的化合物等領域施展拳腳。那麼，還有沒有那種無法自動化而只能由科學家完成的工作？

如今的物理學和天文學實驗會產生海量的數據，已經沒有人或團隊能夠跟進所有的這些數據了。其中一些數據每天以TB級的規模增加，而且這個趨勢不會減弱。在二十一世紀 20 年代中期射電望遠鏡 Square Kilometer Arra 將投入使用，它每年產生的數據量和整個互聯網的數據量一樣多。

面對數據洪流，許多科學家開始求助於人工智慧。只需要少量的人工輸入，人工智慧系統（如神經網路）就能夠在數據海洋中漫遊，識別異常，挖掘出人類尚未發現的模式。

當然，利用計算機來輔助科學研究的 歷史 可以追溯到約 75 年前，然而人類幾千年前就在手工調查研究數據來尋找其中的有意義的模式。但是，近期一些科學家認為以機器學習、人工智慧為代表的新技術能以一種全新的模式去進行科研工作。其中一種被稱為生成模型的方法，能從對觀測數據的諸多解釋中找到最可信的理論，更為重要的是，該方法在研究中無需預先編入對於系統可能起作用的物理過程。其擁護者認為，生成模型的創新程度足可以被視為理解宇宙的潛在的「第三種方法」。

在傳統上，我們是通過 觀測 來了解自然的。回想一下，開普勒就是通過研究第谷的行星位置表，辨識潛在的行星運行模式，才得以推斷出行星是沿橢圓軌道運行的。同樣的，科學可通過 模擬 來獲得進步。一位天文學家可能會模擬銀河系及其鄰近的仙女座星系的運動，並預測它們將在幾十億年後碰撞。觀測和模擬都有助於科學家生成假設，然後用進一步的觀測來檢驗假設，而生成模型不同於這兩種方法。

瑞士聯邦理工學院的天文物理學家 Kevin Schawinski 也是一位生成模型的積極支持者。他認為：「 生成模型是介於觀測和模擬之間的第三種方法， 這是解決問題的另一種方式。」

Kevin Schawinski 是一名天體物理學家，他經營著一家名為 Molos 的人工智慧公司，他認為一種名為生成模型的技術提供了第三種了解宇宙的方式。

一些科學家僅僅把生成模型及其它新技術當作傳統科研中的工具，但是大多數研究者都認為 AI 的影響力巨大，並且在科學研究領域會發揮越來越大的作用。費米國家加速器實驗室的天體物理學家 Brian Nord 使用人工神經網路來研究宇宙。他擔心沒有什麼是不能通過自動化完成的事情，「這個推測倒是有點令人恐慌。」

來自「生成」的 探索

從研究生畢業時起，Schawinski 就因用數據驅動科學研究而聞名。在攻讀博士學位期間，他面對的任務是，根據星系的外觀數據對數千個星系進行分類。因為沒有什麼現成的軟體能幫助他完成這項工作，他決定用眾包的方式完成這項工作——於是，銀河動物園（Galaxy Zoo）公民科學項目誕生了。

從 2007 年開始，普通的電腦用戶只要記錄下他們推測的星系最佳歸類，就能幫助到天文學家。通過多數票勝出來判定，通常能帶來正確的分類結果。

這是一個成功的項目，但 Schawinski 也注意到， AI 讓這個模式過時了——今天，一個具有機器學習和雲計算背景的天才科學家只需要花費一個下午就能完成這個工作。

在 2016 年，Schawinski 把目光投向了生成模型，這個強大的新工具。本質上來說，生成模型是在求解，當給定條件 X 和觀測結果 Y 時，概率 P(X,Y) 有多大。這個方法已經被證明是非常有效的。

生成模型中最為著名的就是生成對抗網路（GAN）。經過充分的訓練後，GAN 模型能夠修復損壞和像素缺失的圖像，也能讓模糊的圖像變得清晰。該模型通過競爭（對抗）來學習推斷缺失的信息，這個神經網路的一部分被稱作生成模型（generator）：生成虛擬的數據；另一部分被稱為判別模型（discriminator）：把生成出來的虛假數據和真是數據分割開來。兩個部分交替訓練，逐步優化（類似於博弈）。

或許，你已經看過最近流傳甚廣的GAN生成的假面孔。正如那個標題所言「這些人並不存在卻又真實得嚇人」。

上面看到的臉孔都不是真實的，上面的 A 列，和左側的 B 列都是由生成對抗網路（GAN）使用真實的面部元素構建的。然後，GAN 將 A 中的面部的基本特徵（性別，年齡和臉形）與 B 中的面部的精細特徵（頭發顏色、眼睛顏色）相結合，構建出了上圖表格中的所有人臉圖像。

潛在空間

概括地說，生成模型獲得數據（大多數是圖像），並把他們分解成抽象的基本要素——科學家將其稱為數據的「潛在空間」。演算法能控制潛在空間中的元素，以此來探究這些元素如何影響原始的數據。這個方法有助於揭示該系統運作的物理過程。

潛在空間是一個抽象的難以想像的概念。不過我們可以做一個類比：當你在試圖確定一個人臉的性別時，你的大腦可能在做什麼呢？也許會注意到人的發型、鼻子的形狀，甚至在運用一些你無法用言語描述的判斷模式。同樣的，計算機程序也在數據中尋找顯著的特徵。即便計算機並非不知道什麼是性別，什麼是小鬍子，但如果我們提供給機器學習系統的數據集標注了「男性」和「女性」，並且一部分人還有一個標簽叫「小鬍子」，計算機能快速地推斷出其中的關聯性。

生成模型與星系演化

12月發表在《天文學與天體物理學》（Astronomy & Astrophysics）上的一篇論文中，Schawinski 與他在蘇黎世聯邦理工學院的同事 Dennis Turp 和 Ce Zhang 使用生成模型來研究星系在演化過程中所經歷的物理變化。

因為他們使用的軟體與 GAN 相似，但其在對潛在空間處理的技術與 GAN 有所差異，所以從技術角度來說這不是 GAN。他們的模型創建了人工數據集，去測試假設的物理過程。比如說，他們想知道恆星形成的「淬熄」（形成速率快速下降）與星系環境密度的增加之間的關系。

對 Schawinski 來說，關鍵問題是僅從數據中能挖掘出多少和恆星與星系演變相關的信息。「讓我們忘卻所有的關於天體物理學的知識。僅依靠數據本身，我們能在多大程度上重新發現這些知識？」

首先，星系的圖片被壓縮至他們的潛在空間，然後 Schawinski 在這個空間中調整元素，使其能對應上星系的特定環境變化，比如周圍物質的密度。這樣就有了一個假設生成器。通過重構這個星系，讓大量原本處於低密度環境中的星系處於高密度環境中以此來看看帶來了什麼不同。

這三位研究者注意到隨著星系從低密度環境走向高密度環境，它們的顏色會變得更紅，恆星也變得更加集中。Schawinski 指出這一點與現有的星系觀測相吻合，問題是，為什麼會這樣？

Schawinski 說，後續的工作還沒有實現自動化，「人類必須參與其中，那麼，什麼樣的物理原理可以解釋這種效應？」對於這個過程，可能有兩種解釋，一是在高密度環境中，星系更紅是因為其中包含了更多的塵埃；或者是因為恆星的形成減少了（換句話說，恆星更老了）。

現在有了生成模型，這兩種思路都能接受檢驗。改變與與塵埃和恆星形成率相關的潛在空間元素，就能觀測這種改變對星系顏色的影響。Schawinski 說：「答案很顯然，星系更紅是因為恆星形成率在下降，而不是因為塵埃。因此，我們應該採納這個解釋。」

利用生成模型，天體物理學家可以研究星系如何從低密度環境走向高密度環境，以及這些變化背後的物理原理。

生成模型相較於傳統方式的優勢

這種方法與傳統的模擬方法相近，但與之有關鍵的差別。Schawinski 表示：「模擬本質上是由假設驅動的。也就是說，我們自認為已經洞悉了觀測現象背後的物理法則。所以，我們把恆星形成規律、暗物質行為的原理等等這些我們自認為正確的假設放在一起，模擬運行。但是，模擬環境真的與實際情況吻合嗎？」。他用生成模型所做的事情與模擬完全相反，「我們不知道任何事情，不做任何假設，我們希望數據本身能告訴我們可能會發生什麼。」

生成模型在這項研究中取得的成功並不意味著天文學家和研究者就是多餘的。但這似乎提醒研究者們——僅僅掌握了大量數據的人工智慧系統就能夠完成對天體物理學的學習。Schawinski 說：「這不是完全自動化的科學，但這意味著我們至少有能力去構建部分工具，使科學過程自動化。」

雖然生成模型非常強大，但這是否真的代表了一種新的科學研究方法還有待商榷。

對於紐約大學和 Flatiron 研究所的宇宙學家 David Hogg 來說，這項技術令人印象深刻，但充其量也只是一種從數據中提取模式特徵的復雜方法——這是天文學家幾個世紀以來都在做得事情。換而言之，這是觀測、分析的高級形式。

和 Schawinski 相同，Hogg 的工作也充分應用人工智慧；他一直在利用神經網路來對恆星進行基於光譜特徵的分類，並使用數據啟動的模型來推斷恆星的其他物理屬性。但是他認為他的工作和 Schawinski 的一樣，都是經過檢驗的科學。Hogg 表示：「我不認為這是第三種方法。只是我們這個社群在對數據處理的方法上更加復雜而已。特別的是，我們越來越善於將數據與數據進行比較。但是依我看來，我的工作仍然是在做觀測。」

人工智慧：

勤奮而「難以捉摸」的科研助手

無論在概念上是否有創新性，人工智慧和神經網路已經顯然在當代天文學和物理學研究中發揮了關鍵作用。在海德堡理論研究所工作的物理學家 Kai Polsterer 領導著一個天體信息學小組，這個小組主要關注以數據為中心的天體物理學研究新方法。從星系數據集中提取紅移信息曾經是一項艱巨的任務，而現在他們小組使用機器學習演算法就能解決這個問題。

Polsterer 認為這些基於基於人工智慧的新系統是「勤奮的助手」，可以連續處理數據數個小時而不抱怨單調無聊，不抱怨工作條件。這些系統可以完成所有枯燥乏味的繁重工作，研究者就能脫身去做「又酷又有趣的科學工作」。

Polsterer 警告說，這些系統並不是完美的，演算法只能去做他們被訓練過的事情，系統對輸入的數據是「無感覺的」。給 AI 系統一張星系圖片它可以估算其紅移和年齡，但是你給同一個系統一張自拍照或者一張臭魚爛蝦的照片，它也會照方抓葯估算出一個（錯誤的）年齡。Polsterer 認為，人類科學家的監督工作非常重要。工作還是要回到研究者身上，研究者才是要負責解釋這些現象的人。

就這一點而言，費米實驗室的 Nord 警告道，神經網路不僅要給出結果，也要給出相關的誤差線，如果在科學研究中，你做了一個測量但沒有報告相關的誤差估計，就沒有人會認真對待這個結果。

就像許多的人工智慧研究員一樣，Nord 也關注神經網路給出的結果的可解釋性，通常來說，一個 AI 系統在給出結果時無法明確地表示出這個結果是如何獲得的。

然而，並不是每個人都覺得結果不透明是一個必須關注的問題，法國CEA Saclay理論物理研究所的研究員 Lenka Zdeborová 指出，人類的直覺同樣難以捉摸，給你看一張貓的圖片，你能立刻認出這是一隻貓，但是你並不知道你是怎樣做到這一點的，從這個角度上來說，人的大腦就是個黑盒。

並不僅僅是天體物理學家和宇宙物理學家在向人工智慧助力、數據驅動的科學研究發展。Perimeter 理論物理研究所和安大略滑鐵盧大學的量子物理學家 Roger Melko 已經使用神經網路來解決該領域中的一些最棘手最重要的問題，例如多粒子系統的波函數的數學表示。

因為波函數的數學形式可能會隨著它所描述的系統中的粒子數量呈指數級增長，這被 Melko 稱為是「指數維度詛咒」，在這樣的工作中 AI 就是不可缺少的組成部分了。

這個困難類似於在國際象棋和圍棋中找到最好的走法：玩家會試圖多看一步，想想對手會出什麼招，然後再選擇自己的最佳應對策略。但是隨著思考步數的增加，復雜性也大為增加。

當然， AI 已經攻克了這兩個領域。 1997 年 5 月 11 日， 深藍計算機在國際象棋領域戰勝了人類；2017年4月10日 ，AlphaGo 戰勝了柯潔，AI 在圍棋領域戰勝了人類。Melko 認為，量子物理學也面臨同樣的問題。

機器的思想

無論是 Schawinski 所聲稱的他找到的是科學研究的「第三方法」，還是如 Hogg 所說的這「僅僅是傳統上的觀測和數據分析」。我們可以明確的是， AI 正在改變科學 探索 的方式並且在加速科學發現，值得探討的是，這場 AI 革命在科學領域能走多遠？

有時候，人們會對「人工智慧科學家」的成就大肆褒獎。十年前，一個名叫亞當的 AI 機器人化學家研究了麵包師傅的酵母的基因組，並找出了負責製造某種特定氨基酸的是哪些基因。（亞當觀察缺少某些特定基因的酵母菌落，並與擁有這些基因的菌落的行為進行比較，由此找到差異完成研究。）

當時Wired雜志的標題是：機器人獨立完成科學發現。

最近，格拉斯哥大學的化學家 Lee Cronin 在使用機器人去隨機混合化學物質，由此來觀測會形成什麼樣的化合物，並通過質譜儀、核磁共振機和紅外分光計實時監控反應，這個系統最終能學會預測哪些組合的化學反應最為劇烈。Cronin 表示即使這個系統不能帶來新的發現，機器人系統也能讓化學家的研究效率提高 90%。

去年，蘇黎世聯邦理工學院的另一組科學家們在訓練神經網路從數據中推導物理定律。他們的系統類似於「機器人開普勒」，利用從地球上觀測到的太陽和火星的位置信息，重新發現了日心說；並且通過觀測小球碰撞模型發現了動能守恆。因為物理定律通常會有多種表述形式，科學家們想知道這個系統能否提供種更簡潔的方法來思考已知的物理定律。

這些都是 AI 啟動、助力科學 探索 的例子。盡管在每一個例子中，這些新方法的革命性都會收到爭議。但在這個信息浩如煙海且高速增長的時代，最值得商榷的問題可能是：僅從數據中，我們能獲得多少信息？

在 《The Book of Why: The New Science of Cause and Effect》一書中，計算機科學家 Judea Pearl 和科學作家 Dana Mackenzie 斷言到：數據「愚蠢至極」。他們寫到： 關於因果性的問題「永遠不能僅憑數據去尋找答案」。

「每當你看到以無模型的方式分析數據的論文或研究時，你可以肯定的是這項研究成果僅僅是總結，或許做了轉述，但絕對不是在解釋數據。」Schawinski 對 Pearl 的觀點抱有同感，「只使用數據」這個想法有點類似於「稻草人」。他也從未生成以這樣的方式做因果推斷。他想說的是：「和我們通常的工作相比，我們可以用數據多做點事。」

另一個經常聽到的觀點是： 科學需要創造力。

可是到目前為止，我們還不知道，如何將創造力編入計算機。（Cronin 的機器人化學家只是在簡單地嘗試科研工作，似乎不能算是特別有創造力）Polsterer 認為：「創建一套理論，有理有據的理論，我認為需要創造力，而創造力離不開人類。」

然而，創造力來自何方呢？Polsterer 懷疑這和 不喜歡無聊 有關，這恐怕是機器所沒有的體驗。「要擁有創造力，你必須厭惡無聊，然而我認為電腦就永遠不會感受到無聊。」然而，「創造力」、「靈感」卻常常用來描述深藍、AlphaGo 這樣的 AI 程序。我們在描述機器的思想時的困難映射出我們在描述自己思維過程時的困難。

Schawinski 最近離開了學術界，去了私人企業。他現在經營著一家名為 Molos 的初創公司，該公司僱傭了許多聯邦理工學院的科學家。根據該公司的網站介紹，該公司位於「人工智慧和機器學習這股風潮的風眼中」。無論當前人工智慧技術和成熟的人工智慧之間存在多大的差距，他和其他專家都認為機器已經准備好了去完成更多的科學家的工作。不過，AI 的局限性還有待考證。

Schawinski 暢想道：「在可以預見的未來，有沒有可能去製造出一台能過發現物理定律、數學原理的機器，甚至超越當今最聰明的人類的能力極限？科學的未來終將被人力所不能及的機器所掌握么？這是一個好問題，但我不知道答案。」

推薦閱讀

Nature機器智能：破解因果推斷難題

物理學家要失業？機器學習能自學量子力學！

做科研做到絕望是一種什麼樣的體驗？

科研投入越來越多，重大成果的產出卻越來越少？

要不要加入我們？一起影響世界！

集智俱樂部QQ群｜877391004

商務合作及投稿轉載｜[email protected]

搜索公眾號：集智俱樂部

加入「沒有圍牆的研究所」

讓蘋果砸得更猛烈些吧！

G. 粗糙度儀測量方法有那些及如何使用呢

粗糙度儀有很多種，具體選擇要根據自己工件的尺寸大小、材質、粗糙度值來確定。

一般來說粗糙度儀分為接觸式和非接觸式兩種，接觸式又有台式和手持式兩種，接觸式輪廓儀在機械製造行業應用最常見；非接觸式主要是白光干涉儀,白光干涉儀精度最高，可以達到0.1納米，主要用於超精密表面粗糙度測量，在半導體行業、3C行業、光學以及高等院校應用較多。