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結構。

用這種技術制造高質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構建的數千個視頻圖像上進行了訓練，以識別用于設置的最佳參數，例如曝光和激光強度，并以高精度自動檢測零件質量。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，例如曝光和激光強度，并以高精度自動檢測零件質量。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，因此通常會經歷這個可怕的過程，即加載設備，打印數百個對象并手動對數據進行分類。” “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量檢測。”

該團隊開發(fā)了算法，并根據前LLNL研究工程師Sourabh Saha收集的實驗數據對它進行了訓練，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建各種任意復雜的3D結構。” “但是，這對傳統(tǒng)的自動化過程監(jiān)控技術提出了挑戰(zhàn)，因為固化的結構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以超過95%的精度檢測零件質量，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優(yōu)化，并為他們提供一種監(jiān)督構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據。如果我有一個很大的區(qū)域，并且要在多個構建位置進行構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 整個數據集給公眾，包括型號，科學界訓練權重與實際數據進一步創(chuàng)新。

“由于機器學習是一個不斷發(fā)展的領域，如果我們將數據放在那里，那么其他人可以從中受益。我們已經完成了該領域的入門數據集，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。

標簽： 機器學習模型