机器学习（ML）作为一种关键工具，因其能够从复杂（甚至是高维和非线性）数据集中提取内在关系而广泛应用于解决各种难题。这代表了一种数据驱动的归纳推理范式。在制造领域，端到端学习（End-to-End Learning）绕过了各种加工结果背后的复杂物理机制，直接将原始输入映射到最终输出。它是当今的突出技术，包括机器学习和启发式算法（HA）等[1]。ML的主要目标是使计算机能够模拟人类学习行为，从而从非结构化数据中进行预测或优化[2]。与从复杂数据集中构建模型以进行正向预测的机器学习不同，元启发式算法（MA）的主要目标是执行搜索和优化。通过策略性地遍历整个参数空间，MA旨在找到全局最优解的近似值。MA是HA的高级形式，可以分为三类：基于自然演化的算法、基于物理过程的算法以及基于生物社会行为的算法。MA通过以特定方式遍历整个参数空间来避免陷入局部最优解，从而实现对全局最优解的近似[3]。目前有超过500种MA算法，包括经典MA的优化以及多种MA的混合体。图1展示了MA、ML及其与AI的关系。
SPL和USPL蚀刻是利用脉冲激光进行材料加工的技术。SPL使用脉冲宽度为纳秒（10^-9秒）的激光脉冲，而USPL使用脉冲宽度为皮秒（10^-12秒）或飞秒（10^-15秒）的激光脉冲。这两种技术都能快速将能量沉积到材料表面，从而实现烧蚀或形成所需的结构。图2展示了激光与材料相互作用各过程发生的时间尺度。与长脉冲激光加工不同，SPL和USPL避免了由于过度热效应导致材料出现裂纹和孔洞的问题[4]。在SPL加工的时间尺度上，脉冲持续时间超过了热扩散时间。通过逆制动辐射吸收产生的热电子与其他电子碰撞，引发电子-电子散射，随后与晶格耦合。这一过程通过晶格内的声子-声子耦合实现热扩散。
USPL具有极短的脉冲持续时间，在这种条件下，光物理烧蚀占主导地位。当高瞬时功率的激光照射到材料表面时，光子密度变得极高，导致多光子吸收，即单个电子吸收多个光子的能量。这种现象超出了传统线性吸收的极限，从而实现非线性吸收[5]。产生的等离子体会发生库仑爆炸。同时，在几百飞秒的时间范围内，材料会迅速达到热力学临界点并通过相爆炸从表面喷射出去。此时，晶格温度尚未升高；因此，热应力保持在最低水平[6]。由于微加工技术的进步，近年来航空航天、汽车和医疗等领域对激光精密加工的需求激增[7]。本文选择了SPL和USPL蚀刻的一些代表性应用，包括钻孔、微槽和微通道蚀刻以及LIPSS。图3展示了SPL和USPL在钻孔、开槽和微通道蚀刻以及LIPSS中的应用。在航空航天工业中，涡轮叶片上的冷却孔和卫星推进系统孔板上的微孔需要高精度钻孔工艺，USPL加工提供了一种有效的解决方案[8]。在医学领域，脊柱手术中的接触钻孔可能导致机械损伤。相反，USPL钻孔已被证明可以减少骨处理过程中的出血，并由于热损伤最小化而防止裂纹和污染[9]。然而，SPL和USPL蚀刻的复杂物理特性要求确定最佳加工参数以获得所需的结果。
SPL和USPL在高精度加工中起着关键作用，包括切割、蚀刻、LIPSS、增材制造、钻孔等[[14], [15], [16], [17], [18]]。在以数字化和智能化为中心的智能制造时代，AI在SPL和USPL加工领域的重要性不言而喻。Plettenberg等人[19]使用ML模拟了USPL蚀刻材料的原子间势能，以第一性原理的准确性再现了重要的物理特性。Contuzzi等人[20]利用ML预测SPL微铣削，确保了加工质量的同时减少了实验试验的需要。McDonnell等人[21]使用深度学习（DL）预测通过USPL沉积在铜上的镍层的质量，无需第一性原理知识即可加速优化。Geiger等人[22]使用ML确定USPL钻孔过程中的焦点位置，以促进过程监控模型的开发。Grant-Jacob等人[23]使用DL预测USPL蚀刻材料时产生的等离子体的二维形态。这种方法可以应用于无法在激光蚀刻过程中直接观察样本的情况。
然而，机器学习的“黑箱”特性阻碍了对其决策机制的阐明。在激光加工的背景下，现有的可解释性方法主要关注单个过程参数的重要性，忽视了它们之间的复杂相互作用。这种纯数据驱动的范式不足以实现真正的科学发现[24]。激光与材料相互作用的数值模拟可以具体量化这些复杂变量之间的耦合关系。因此，为了提高端到端学习的可解释性，结合物理驱动和数据驱动的方法是不可或缺的。USPL蚀刻过程的数值模拟主要涉及双温度模型（TTM）和分子动力学（MD），利用有限元方法（FEM）建立能够准确描述加工过程中行为的模拟模型[[25], [26]]。进一步整合物理驱动和数据驱动的方法仍然是未来研究的关键方向。
关于机器学习在激光加工领域应用的现有文献综述提供了该领域当前研究状况及其前景的全面概述。Mills等人[27]总结了ML在激光加工中的应用，并按材料进行了分类。Bakhtiyari等人[28]介绍了激光束加工（LBM）的应用，并概述了人工神经网络（ANN）、模糊逻辑（FL）和MA在LBM的质量特性建模和优化中的应用。Casalino等人[29]介绍了计算智能（CI）在材料激光加工中的应用，总结了CI如何用于解决与激光焊接、微加工、表面处理和增材制造相关的问题。Zhang等人[30]总结了利用ML辅助设计制造功能性材料的应用。然而，这些综述主要集中在长脉冲激光加工上。尽管使用了ML进行参数优化，但仍然难以避免过度热效应的问题，从而导致精密加工质量的缺陷。
本文总结了相关文献，特别关注ML和MA在SPL和USPL蚀刻中的应用。SPL和USPL蚀刻的主要应用包括钻孔、微通道制造和激光诱导周期性表面结构（LIPSS）。
基于确定的动机和研究空白，本综述的主要目的是系统地综合并评估ML和MA在SPL和USPL激光蚀刻中的应用。为此，具体目标有三个：（1）对激光蚀刻中的“正向建模”（结果预测）和“逆向设计”（参数优化）的核心策略进行分类和批判性分析。（2）评估这些计算方法在三个代表性蚀刻应用（钻孔、微槽/微通道制造和激光诱导周期性表面结构（LIPSS）中的有效性和局限性。（3）识别新兴趋势，特别是物理信息模型的整合，并展望这一跨学科前沿的未来挑战和机遇。本文的结构如下：第2节介绍了与建模和设计相关的特征选择和评估指标的基本方法。第3节详细阐述了目前用于过程优化的“逆向设计”方法。第4节探讨了用于加工结果预测的“正向建模”方法，包括对物理信息模型的讨论。最后，本文总结了未来挑战和趋势。
