3D打印最初吸引使用者的一点是可以通过软件和硬件上的众多设置进行深入调试，从而影响最终打印的零件成品。渐渐地，3D打印的使用者，尤其是专业人士，希望能够一键获取零件，而无需过度担忧层高、填充率、打印速度、温度、流量以及一系列可调参数的细微差异。最新研究表明，3D打印的可预测性和质量或将迎来曙光般的变革。从创建3D模型到优化打印流程，人工智能很有可能彻底改变现阶段增材制造的传统模式。如今，我们可能正处于迈向下一新阶段的风口，尝试开发具备3D打印能力、能够学习并不断优化打印质量的人工智能。
对此，一众研究项目正在积极开展中。近期，发表在期刊《先进材料》上的一项研究展示了通过打印60个不断优化的3D打印解剖模型来识别最佳版本的算法，促进3D打印更无缝地应用于从人造器官、柔性电子产品到可穿戴生物传感器等各种复杂设计中。
与其他人工智能3D打印应用相比，这项研究更侧重在平衡多个参数以实现最佳打印效果，而不是单一地改进几何形状、缺陷或速度等问题。
*3D打印切片软件支持设置几十至上百个参数（来源：All3DP）
尽管3D打印已在新兴应用领域迅速发展，但调整合适的3D打印参数仍然是一个劳动密集型且低效率的过程。
采用试错法进行参数开发不仅浪费资源，而且就计算机辅助设计方面，评估各种3D打印设计配置需要复杂且昂贵的模拟软件和计算。
为了验证最终3D打印零件的机械性能，包括孔隙率和屈服强度，往往需要经历漫长的实验室测试验证过程。此外，无论是高精度原型还是最终的发动机部零件，理想设置还取决于所需输出。
新算法具有平衡零件开发与生产的多个方面的潜力。
*人工智能生成模型（来源：Autodesk）
现行3D打印参数优化方法通常集中在提升3D打印的整体性能或侧重于某一特定方面的打印质量。这些方法主要依赖于以往3D打印配置的实验数据，往往忽视了由于打印方式、材料类型和零件几何形状差异导致的打印质量变化。例如，由于打印参数设置差异，立方体的配置数据是不能直接应用于球形物体的3D打印。因此，需要一种通用算法来识别适用于各种打印类型、材料和形状的最佳3D打印参数设置，从而实现最佳的打印质量。目前，机器学习在3D打印中的应用主要采用的是针对单个属性，如几何形状或孔隙率，进行单目标优化算法，但这存在着一些明显弊端。因为各个属性之间存在间接影响，如果为了提升打印速度而设定一组输入参数可能就会牺牲几何形状。新兴研究方向是利用人工智能优化3D打印的多种输入和输出标准。贝叶斯优化是一种求解函数最优值的算法，它最普遍的使用场景是在机器学习过程中对超参数进行调优。通过尝试贝叶斯优化，开发一种能够基于输出目标可视化每组打印输入之间的权衡参数的算法。随着迭代次数的增加，使所有指定输出区域的数值均得到提升。*人工智能编写代码（来源：Guilherme Schendel via All3DP）
人工智能优化3D打印的算法起初是专门为术前器官模型确定最佳配置，但该算法具有广泛的通用性，有望在其他学科中实现应用。借助人工智能优化3D打印能够适应多种材料，并且无需对核心算法进行大幅修改。开发一种能够快速识别最佳3D打印参数设置的通用机器学习算法，无疑将节省生产时间和成本，降低劳动强度，并提高3D打印成品的质量。尽管这个项目目前正处于紧锣密鼓的试验阶段，一旦有可供推广的成果达成，对于增材制造行业的影响很可能是颠覆性的。
*文中提到的公司不存在任何形式的商业合作、赞助、雇佣等利益关联。图片来自于网络，仅作辅助阅读的用途，不存在商业目的。版权归属于原作者，一旦有任何侵权之举，请权利人及时与我们联系，我们会即刻删除。
中/EN
