麻省理工學院的研究人員訓練了一個機器學習模型來監控和調整3D打印過程，以實時糾正錯誤。

可用于3D打印的新材料正在持續開發，但弄清楚怎樣使用它們進行打印可能是一個復雜、成本高昂的難題。一貫，操作員需要使用手動試驗和錯誤，興許會進行成百上千次打印以確定理想參數，從而始終如一地有效地打印新材料。

麻省理工的研究人員已經使用AI來簡化該程序。科學家開發了一種新的機器學習系統，該系統使用計算機視覺來觀察制造過程，可以實時糾正材料處理方式的錯誤。

他們使用仿真來教神經網絡怎樣調整打印參數以最小化錯誤，之后將該控制器應用于真正的3D打印機。新系統與其他現有的3D打印控制器相比，能更準確地打印物體。

這項工作避免了打印數千或數百萬個真實對象來訓練神經網絡的昂貴過程。它可以使工程師更容易地將新材料整合到他們的3D打印產品中，這可以幫助他們開發具有特殊電氣或化學特性的產品。它還可以幫助技術人員在材料或環境條件意外變化時對打印過程進行調整。

"這個項目確實是建立一個使用機器學習來學習復雜控制策略的制造系統的第一個示范，"負責該項目的麻省理工學院電氣工程和計算機科學教授Wojciech Matusik說，"假如你有更智能的制造設備，它們可以實時適應工作場所持續變化的環境，以提高產量或系統的準確性，那么你就可以從機器中獲取更多的價值。"

揀選參數

確定數字化制造過程的理想參數可能是該過程中最昂貴的部分之一，因為需要大量的試錯。一旦技術人員找到一個運行良好的組合，這些參數只適用于一種特定情況。他們近乎沒有有關材料在其他環境、不同硬件上或新批次是否表現出不同特性的行為的數據。

使用機器學習系統也充滿了挑戰。首先，研究人員需要實時測量3D打印機上發生的事情。

為此，研究人員開發了一種機器視覺系統，使用兩個針對3D打印機噴嘴的攝像頭。該系統在材料沉積時向材料發出光照射，并根據通過的光線量計算材料的厚度。"你可以把視覺系統想象成一雙眼睛實時觀察這個過程，"Foshey說。

然后，控制器將處理從視覺系統接收的圖像，并根據它看到的任何錯誤，調整進料速率和打印機的方向。

不過，訓練基于神經網絡的控制器來理解這種制造過程是數據密集型的，并且需要進行數百萬次打印。因此，研究人員建造了一個模擬器。

成功模擬

為了更好地訓練控制器，他們使用了一個稱為強化學習的過程，在這個過程中，模型通過試錯來學習并獲得獎勵。該模型的任務是選擇打印參數，以便在模擬環境中創建特定對象。在顯示預期輸出后，當模型選擇的參數最小化其打印與預期結果之間的誤差時，模型將獲得獎勵。

在這種情況下，"錯誤"意味著模型要么分配了過多的材料，將其放置在應該保持開放的區域，要么沒有分配足夠的材料，留下應該填充的開放點。伴隨模型執行更多的模擬打印，它更新了其控制策略以最大化獎勵，變得愈來愈準確。

然則，現實世界比模擬更混亂。在實踐中，條件通常由于印刷過程中的微小變化或噪音而變化。因此，研究人員創建了一個數值模型，該模型近似于3D打印機的噪聲。他們使用這個模型為仿真添加噪聲，從而產生更逼真的結果。

"我們發現有趣的是，通過實現這個噪聲模型，我們能夠將純粹在仿真中訓練的控制策略轉移到硬件上，而無需進行任何物理實驗的訓練，"Foshey說，"而且之后，我們不需要對實際設備進行任何微調。"

當測試控制器時，它比之前評估的任何其他控制方法更準確地打印物體。它在填充印刷中表現特別好，填充印刷是打印物體的內部。其他一些控制器沉積了如此多的材料，以至于打印的物體凸起，但研究人員的控制器調整了打印路徑，使物體保持水平。

他們的控制策略甚至可以了解材料在沉積后怎樣擴散并相應地調整參數。

自動調整

"我們還能夠設計控制策略，可以動態控制不同類型的材料。因此，假如您在現場有一個制造流程，并且想要更改材料，則無需重新驗證制造流程。你可以只加載新材料，控制器就會自動調整。"Foshey說。

當前他們已經展示了這種技術對3D打印的有效性，研究人員希望為其他制造工藝開發控制器。他們還想看看怎樣修改這種方法，以應對多層材料或同時打印多個材料的情況。另外，他們的方法假設每種材料都有固定的粘度，但未來的迭代可以使用AI來實時識別和調整粘度。

麻省理工學院在增材制造方面有著悠久的歷史，并催生了多家主要的3D打印公司，如Desktop Metal和VulcanForms。這項工作部分得到了FWF Lise-Meitner計劃，歐洲研究委員會啟動補助金和美國國家科學基金會的支持。