2026年9月29日——全球量子技术领军企业Terra Quantum与瑞士联邦材料科学与技术研究所（Empa）共同发布LP-FNO（激光加工傅里叶神经算子）。这是一种人工智能代理模型，能够预测激光焊接过程中完整的三维熔池动力学，速度比传统多物理场仿真最高快10万倍，从而消除了长期以来阻碍工业激光加工中实时过程控制与数字孪生部署的计算瓶颈。

激光焊接中的仿真瓶颈

激光焊接是一种精密制造工艺，广泛应用于航空航天、医疗器械和汽车生产领域，其中对熔池——即激光束下方熔融金属区域——的控制是决定焊接质量与一致性的核心。高保真多物理场仿真一直是理解和优化该工艺的主要工具，但其计算成本使其难以用于实时场景。使用当前金标准工具进行单次仿真，在标准的10 µm分辨率下约需6分钟，在更精细的5 µm分辨率下则超过1小时，这使得过程控制、大规模参数优化和不确定性量化对工业操作人员而言遥不可及。

LP-FNO的功能

LP-FNO学习激光工艺参数（功率与扫描速度）与由此产生的三维温度场及熔池边界之间的关系，采用傅里叶神经算子架构，可在单次前向传播中跨物理域全局混合信息。该模型基于Ti-6Al-4V钛合金的高保真热流体仿真进行训练，覆盖40至190瓦激光功率、0.1至1米/秒扫描速度的工艺窗口，涵盖热传导焊接与稳定匙孔焊接两种模式。训练完成后，LP-FNO可在标准分辨率下约8毫秒、在两倍分辨率下约88毫秒内生成完整的三维预测结果。

该方法的一个关键要素是对激光扫描问题进行准稳态重构。研究团队通过将瞬态仿真转换到随激光束移动的参考系，并施加时间平均，把一个本质上依赖时间的问题转化为适合算子学习的形式。这使LP-FNO能够在与热传导模式焊接相同的框架内，准确表征物理上最为复杂的稳定匙孔焊接动力学，其中涉及深蒸汽凹陷、反冲压力驱动的表面变形以及强烈的激光吸收率变化。

“将数小时的物理仿真压缩到毫秒级，并非渐进式改进，而是那种能让全新应用成为可能的变革，”Terra Quantum首席执行官兼创始人Markus Pflitsch表示。“借助LP-FNO，工业操作人员可以实时运行工艺优化，构建与物理过程保持同步的数字孪生，并探索此前因成本过高而无法触及的参数空间。这就是把AI部署到制造业最棘手问题上的样子。”

主要发现

• 速度：比同类高保真多物理场仿真最高快10万倍
• 温度精度：平均相对误差约2.5%
• 熔池预测：熔池边界分割的交并比（IoU）评分高于0.9
• 模式覆盖：据作者所知，这是首个在准稳态算子学习框架内同时覆盖热传导焊接与稳定匙孔焊接模式的代理模型
• 分辨率不变性：在粗分辨率数据上训练的模型可直接在更精细网格上评估，无需重新训练，即可给出准确的超分辨率预测
• 架构基准：在测试的多种神经网络架构（包括全连接坐标网络、U-Net和DeepONet变体）中，LP-FNO展现出最优的精度—效率权衡

完整研究已发表于Journal of Intelligent Manufacturing（DOI: 10.1007/s10845-026-02917-0）。

“这项合作将Empa在激光加工、材料科学和过程建模专长方面的优势，与Terra Quantum在先进机器学习和神经算子方法方面的能力结合在一起，”Empa光—物质动力学研究组组长Elia Iseli博士表示。“LP-FNO再现高保真模型中与制造相关的输出（包括温度场、熔池几何形状和相界面）的准确度，凸显了这种代理方法的预测能力。这种一致性水平反映了整个项目过程中机器学习开发与激光过程建模专业知识的紧密结合。没有这项合作，就不可能取得这样的成果。”

“傅里叶神经算子在这类问题上具有天然的架构适配性，因为它们在谱空间中学习，在每一层跨整个物理域混合信息，而不是通过卷积邻域进行局部传播，”Terra Quantum首席技术官Florian Neukart表示。“正是这种全局视角赋予了模型分辨率不变性：在粗分辨率训练数据上学到的谱权重，能够自然泛化到更精细的评估网格。结合准稳态重构，我们得到了一个训练好的单一模型，能在整个工艺窗口内以一致的精度处理热传导和匙孔两种模式。”