机器学习模型可能会完善3D纳米打印

该团队开发了一种机器学习算法，通过对数千张TPL构建的视频图像进行训练，来识别曝光和激光强度等设置的最佳参数，并自动检测高精度的零件质量。

资料来源:劳伦斯利弗莫尔国家实验室

双光子光刻技术(TPL)是一种广泛使用的3D纳米打印技术，它使用激光来创建3D物体。该技术在研究应用方面已经显示出了前景，但由于大规模零件生产和时间密集型设置的限制，尚未获得广泛的行业认可。

TPL能够以非常高的分辨率打印纳米尺度的特征，它使用激光束来制造部件，将强光束聚焦在液体光聚合物材料中的一个精确点上。在光束击中的每一点，体积像素或“体素”将液体硬化为固体，未固化的液体被移除，留下一个3D结构。用这种技术制作高质量的零件需要把握好一条底线:光线过少，零件就无法成型;光线过多，零件就会损坏。对于操作人员和工程师来说，确定正确的光剂量是一个费力的手工过程。

劳伦斯利弗莫尔国家实验室(LLNL)的科学家和合作者转向机器学习解决第三方物流产业化的两个关键障碍:在印刷过程中监测零件质量和确定给定材料的正确光剂量。该团队的机器学习算法对数千张标为“未修复”、“修复”和“损坏”的建筑视频图像进行了训练，以确定曝光和激光强度等设置的最佳参数，并自动高精度地检测零件质量。“你永远不知道特定材料的确切参数，所以你通常要经历这个可怕的过程:加载设备，打印数百个物体，并手动整理数据，”首席研究员和LLNL工程师布莱恩·吉拉说。“我们所做的就是运行一系列常规的实验，并制作一个自动处理视频的算法，以快速识别哪些是好的，哪些是坏的。你从这个过程中得到的是一种免费的算法，它还可以对实时质量检测进行操作。”

该团队开发了算法并利用前LLNL研究工程师、现乔治亚理工学院助理教授Sourabh Saha收集的实验数据对其进行训练。Saha设计了实验，以清楚地显示光剂量的变化如何影响未固化、固化和受损建筑之间的过渡，并使用一种商用TPL打印机打印了两种光固化聚合物的一系列物体。“TPL的流行在于它能够建造各种任意复杂的3D结构，”萨哈说。“然而，这对传统的自动化过程监控技术提出了挑战，因为固化的结构可能看起来截然不同，人类专家可以直观地识别过渡。”我们的目标是证明可以教会机器这种技能。”

研究人员收集了1000多段视频，内容是在不同光剂量条件下制作的各种部件。爱荷华州立大学(Iowa State University)的研究生李贤(Xian Lee)手工筛选了每一帧视频，检查了数万张图像，分析每个过渡区域。

使用深度学习研究人员发现，他们可以在几毫秒内检测到超过95%的精度的零件质量，为TPL过程创造了前所未有的监测能力。Giera表示，操作人员可以将该算法应用于一组初始实验中，创建一个预先训练的模型，以加速参数优化，并为他们提供一种监督构建过程和预测设备中意外过度固化等问题的方法。Giera说:“这一功能可以实现实际的定性过程监控，而以前无法做到这一点。另一个巧妙的特点是它基本上只使用图像数据。”如果我有一个非常大的区域，我在多个建造地点建造，然后组装一个主部件，我实际上可以记录所有这些区域的视频，将这些子图像输入一个算法，并进行并行监控。”

本着透明的精神，该团队还描述了算法在预测中出错的实例，显示了改进模型的机会，以更好地识别灰尘颗粒和其他可能影响建筑质量的颗粒物。该团队向公众发布了整个数据集，包括模型、训练权重和实际数据，以供科学界进一步创新。“因为机器学习是一个进化的领域，如果我们把数据放在那里，那么这个问题可以从其他人解决它中受益。我们已经完成了该领域的初始数据集，现在每个人都可以继续前进了，”Giera说。“这让我们受益于更广泛的机器学习社区，他们可能不像我们一样了解增材制造，但确实了解他们正在开发的新技术。”

这项研究发表在杂志上加法制造。