作者杰瑞米·托马斯，劳伦斯·利弗莫尔国家实验室 劳伦斯利弗莫尔国家实验室的科学家和合作者正在使用机器学习来解决双光子光刻工业化的两个关键障碍:在印刷过程中监控零件质量和确定给定材料的正确光剂量
该团队开发了一种机器学习算法，在数千张第三方物流构建的视频图像上进行训练，以确定曝光和激光强度等设置的最佳参数，并以高精度自动检测零件质量
荣誉:劳伦斯·利弗莫尔国家实验室 双光子光刻(TPL)是一种广泛使用的三维纳米打印技术，使用激光来创建三维对象，在研究应用中显示出前景，但由于大规模零件生产和时间密集型设置的限制，尚未获得业界的广泛接受
第三方物流能够以非常高的分辨率打印纳米级的特征，它使用激光束来制造零件，将强光束聚焦在液体光敏聚合物材料中的精确点上
体积像素或“体素”在光束击中的每一点将液体硬化成固体，未固化的液体被去除，留下三维结构
用这种技术建造一个高质量的零件需要走一条细线:光线太少，零件无法成型；太多，会造成损坏
对于操作员和工程师来说，确定正确的光剂量可能是一个费力的手工过程
劳伦斯利弗莫尔国家实验室(LLNL)的科学家和合作者转向机器学习，以解决第三方物流产业化的两个关键障碍:在生产过程中监控零件质量和确定给定材料的正确光剂量
该团队的机器学习算法是在数千张标记为“未固化”、“已固化”和“已损坏”的构件视频图像上进行训练的，以识别曝光和激光强度等设置的最佳参数，并以高精度自动检测零件质量
这项工作最近发表在《添加剂制造》杂志上
“你永远不知道给定材料的确切参数，所以你通常会经历这个可怕的过程，加载设备，打印数百个对象，并手动整理数据，”首席研究员和LLNL工程师布莱恩·吉拉说
“我们做的是运行常规实验，并制作一个自动处理视频的算法，以快速识别什么是好的，什么是坏的
你从这个过程中免费得到的是一个算法，它也运行在实时质量检测上
" 该小组开发了这种算法，并根据苏拉布·萨哈收集的实验数据对其进行了训练。苏拉布·萨哈曾是LLNL的一名研究工程师，现在是佐治亚理工学院的助理教授
萨哈设计了这些实验，以清楚地显示光剂量的变化如何影响未固化、固化和受损建筑之间的过渡，并使用市售的第三方物流打印机用两种光固化聚合物打印了一系列物体
萨哈说:“第三方物流的流行在于它能够构建各种任意复杂的三维结构。”
“然而，这给传统的自动化过程监控技术带来了挑战，因为固化后的结构可能看起来完全不同——人类专家可以直观地识别过渡
我们在这里的目标是展示机器可以被教授这种技能
" 研究人员收集了1000多个不同光剂量条件下制作的各种部件的视频
爱荷华州立大学的研究生李贤(音译)手动筛选了每一帧视频，检查了数万张图像来分析每个过渡区域
使用深度学习算法，研究人员发现他们可以在几毫秒内以超过95%的准确率检测零件质量，为第三方物流过程创造了前所未有的监控能力
吉拉说，操作员可以将该算法应用于一组初始实验，并创建一个预训练模型，以加速参数优化，并为他们提供一种方法来监督构建过程和预测问题，如设备中意外的过度固化
“这允许的是实际的定性过程监控，以前没有能力做到这一点，”吉拉说，“另一个巧妙的特点是它基本上只使用图像数据
如果我有一个非常大的区域，并且我在多个构建位置构建，然后组装一个主部件，我实际上可以记录所有这些区域的视频，将这些子图像输入到一个算法中，并进行并行监控
" 本着透明的精神，该团队还描述了算法在预测中出错的情况，展示了改进模型以更好地识别灰尘颗粒和其他可能影响建筑质量的颗粒物的机会
该团队向公众发布了整个数据集，包括模型、训练权重和科学界进一步创新的实际数据
“因为机器学习是一个如此进化的领域，如果我们把数据放在那里，那么这个问题可以从其他人解决它中获益
我们已经为这个领域做了这个初步的数据集，现在每个人都可以向前看了，”吉拉说
“这使我们能够从更广泛的机器学习社区中受益，这个社区对添加剂制造的了解可能不如我们多，但对他们正在开发的新技术却了解得更多
" 这项工作源于先前实验室指导的双光子光刻研发(LDRD)项目，并在当前LDRD项目“加速多模式制造优化(AMMO)”下完成
"
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
