沃卡惠
盡管科學家和工程師們還在源源不斷地造就可用于3D打印的具有特殊品質的新材料，但這或許是一項有著挑戰性且成本昂貴的任務。
為了找到始終如一地產生新材料最佳打印質量的最佳參數，專業操作人員經常需要進行人工試錯實驗，有時建立數千張打印。打印速度和打印機沉積的材料量是其中的一些變量。
當下，麻省理工學院的研究人員運用AI來簡化這一過程。他們開發了一種機器學習系統，運用計算機視覺來監控生產過程，并實時修復處理錯誤。
在使用模擬訓練神經網絡更改打印參數以降低錯誤后，他們將控制器放在真正的3D打印機上。
這項工作避免了打印數萬或數億實際對象來教授神經網絡的過程。另外，這可能使工程師更容易在其設計中加入新穎的材料，使之能夠造就出具有獨特的化學或電氣特性的產品。假如在設置或正在打印的材料發生意外變化，這也可能使技術人員更容易對打印過程進行快速調整。
由于涉及大量的試驗和錯誤，為數字化制造方法選擇最佳參數可能是過程中最昂貴的步驟之一。另外，一旦技術人員發現功能良好的組合，這些參數僅在該特定情況下是最佳的。因為其缺乏有關該物質怎樣在各種環境、各種裝備上發揮作用或新批次是否具有不同特征的信息。
另外，使用機器學習系統也存在困難。研究人員必須首先對打印機上發生的事情進行實時測量。
因此，他們開發了一個機器視覺裝置，兩個攝像頭指向3D打印機的噴嘴。該技術在材料沉積時對其進行照明，并根據通過的光量確定材料的厚度。
要訓練基于神經網絡的控制器來理解這個制造過程，需要進行數百萬次打印，這是一個數據密集型操作。
他們的控制器使用一種被稱為強化學習的方法進行訓練，這種方法通過在模型出錯時付費來教育模型。該模型需要選擇可以在虛擬環境中生成特定對象的打印參數。當模型在給定預測結果后，選取的參數使其打印結果與預期結果之間的方差最小即可獲得。
在這種情況下，“錯誤”意味著模型要么分配了過多的材料，填充了應該保持空白的空間；要么沒有足夠的材料，留下了需要填充的空間。
殊不知，現實世界比模型還要粗糙。事實上，條件往往會因微小的波動或印刷過程噪聲而改變。研究人員運用這種方法來模擬噪聲，進而產生更準確的結果。
當對控制器進行測試時，這比他們檢查的任何其他控制策略都更精確地打印出物體。其在打印填充材料時尤其有效，這涉及到打印物體的內部。研究人員的控制器改變了打印路徑，使物體保持水平，而其他一些控制器放置了大量材料，使打印的物體會向上突出。
即使在材料沉積之后，控制策略也可以了解其怎樣分散和適應參數。
研究人員打算為其他制造過程建立控制，當下他們已經證明了這種方法在3D打印中的效率。他們還想研究怎樣改變策略，以適應有多個材料層或各種材料同時生產的情況。另外，他們的方法假設每種材料都有恒定的粘度，但以后的版本可能會使用AI實時檢測和計算粘度。
