兩光子光刻(TPL)是一種廣泛使用的3D納米打印技術，該技術使用激光來創(chuàng)建3D對象，該技術在研究應用中顯示出了希望，但由于對大規(guī)模零件生產(chǎn)和時間密集的限制，尚未獲得廣泛的行業(yè)認可。設置。

TPL能夠以非常高的分辨率打印納米級特征，它使用激光束制造零件，將一束強烈的光束聚焦在液態(tài)光聚合物材料內(nèi)的精確點上。體積像素或“體素”在光束撞擊的每個點將液體硬化為固體，并除去未固化的液體，留下3D結(jié)構(gòu)。

用這種技術制造高質(zhì)量的零件需要走一條細線：太少的光線和一個零件就不能形成，太多的零件會造成損壞。對于操作員和工程師而言，確定正確的光劑量可能是費力的手動過程。

勞倫斯·利弗莫爾(Lawrence Livermore)國家實驗室的科學家和合作者正在使用機器學習解決雙光子光刻(TPL)工業(yè)化的兩個主要障礙：在打印過程中監(jiān)控零件質(zhì)量并確定給定材料的正確光劑量。該團隊開發(fā)了一種機器學習算法，該算法在TPL構(gòu)建的數(shù)千個視頻圖像上進行了訓練，以識別用于設置的最佳參數(shù)，例如曝光和激光強度，并以高精度自動檢測零件質(zhì)量。圖片來源：LLNL

勞倫斯·利弗莫爾國家實驗室 (LLNL)的科學家和合作者轉(zhuǎn)向機器學習，以解決TPL工業(yè)化的兩個主要障礙：在印刷過程中監(jiān)控零件質(zhì)量并確定給定材料的正確光劑量。該團隊的機器學習算法在成千上萬的分別標記為“未固化”，“已固化”和“已損壞”的零件的視頻圖像上進行了培訓，以識別用于設置的最佳參數(shù)，例如曝光和激光強度，并以高精度自動檢測零件質(zhì)量。這項工作最近發(fā)表在《添加劑制造》雜志上 。

首席研究員和LLNL工程師Brian Giera說：“您永遠不知道給定材料的確切參數(shù)，因此通常會經(jīng)歷這個可怕的過程，即加載設備，打印數(shù)百個對象并手動對數(shù)據(jù)進行分類。” “我們所做的是運行例行的實驗，并制定了一種算法，該算法可以自動處理視頻，以快速確定優(yōu)缺點。從該過程中您免費獲得的是一種算法，該算法還可以進行實時質(zhì)量檢測。”

該團隊開發(fā)了算法，并根據(jù)前LLNL研究工程師Sourabh Saha收集的實驗數(shù)據(jù)對它進行了訓練，現(xiàn)在他是佐治亞理工學院的助理教授 。薩哈(Saha)設計了這些實驗，以清楚地表明光劑量的變化如何影響未固化，固化和損壞的構(gòu)件之間的過渡，并使用市售的TPL打印機用兩種類型的光固化聚合物印刷一系列物體。

薩哈說：“ TPL的流行在于它能夠構(gòu)建各種任意復雜的3D結(jié)構(gòu)。” “但是，這對傳統(tǒng)的自動化過程監(jiān)控技術提出了挑戰(zhàn)，因為固化的結(jié)構(gòu)看起來彼此根本不同-人類專家可以直觀地識別過渡。我們的目標是證明可以向機器教授此技能。”

研究人員收集了1000多個在不同光劑量條件下制造的各種零件的視頻。愛荷華州立大學的研究生Xian Lee 手動篩選了視頻的每個幀，檢查了成千上萬張圖像以分析每個過渡區(qū)域。

使用深度學習算法，研究人員發(fā)現(xiàn)他們可以在幾毫秒內(nèi)以超過95%的精度檢測零件質(zhì)量，從而為TPL流程創(chuàng)造了前所未有的監(jiān)控能力。Giera說，操作員可以將該算法應用于一組初始實驗，并創(chuàng)建一個預訓練模型來加速參數(shù)優(yōu)化，并為他們提供一種監(jiān)督構(gòu)建過程并預測諸如設備中意外過度固化之類問題的方法。

Giera說：“這允許進行實際的定性過程監(jiān)控，而以前卻沒有這樣做的能力，” Giera說，“另一個簡潔的功能是它基本上只使用圖像數(shù)據(jù)。如果我有一個很大的區(qū)域，并且要在多個構(gòu)建位置進行構(gòu)建然后組裝一個主要零件，則實際上可以記錄所有這些區(qū)域的視頻，并將這些子圖像輸入算法中，并進行并行監(jiān)控。”

本著透明的精神，該團隊還描述了算法在預測中出錯的情況，這為改進模型以更好地識別可能影響建筑質(zhì)量的灰塵顆粒和其他顆粒物提供了機會。該小組 發(fā)布了 整個數(shù)據(jù)集給公眾，包括型號，科學界訓練權(quán)重與實際數(shù)據(jù)進一步創(chuàng)新。

“由于機器學習是一個不斷發(fā)展的領域，如果我們將數(shù)據(jù)放在那里，那么其他人可以從中受益。我們已經(jīng)完成了該領域的入門數(shù)據(jù)集，現(xiàn)在每個人都可以前進。” Giera說。“這使我們能夠從更廣泛的機器學習社區(qū)中受益，后者對增材制造的了解可能不如我們那么多，但對他們正在開發(fā)的新技術的了解卻更多。”

該工作源自先前的實驗室指導研究與開發(fā)(LDRD)項目中的雙光子光刻技術，并在當前的LDRD中完成，標題為“加速多模制造優(yōu)化(AMMO)”。

愛荷華州立大學的合著者Soumik Sarkar也為這項工作做出了貢獻。

　　免責聲明：本文由用戶上傳，與本網(wǎng)站立場無關。財經(jīng)信息僅供讀者參考，并不構(gòu)成投資建議。投資者據(jù)此操作，風險自擔。 如有侵權(quán)請聯(lián)系刪除！