研究人員查爾斯大學的 計算機圖形學集團（CGG）已經(jīng)開發(fā)出一種機器學習（ML）為基礎的技術，可以幫助解鎖高保真彩色三維打印的潛力。

通過不斷模擬打印過程，該團隊成功地訓練了一種算法，以迭代地找到限制顏色滲色和提高零件精度的最佳參數(shù)。該程序也非常高效，只需要一個 GPU，使其比類似的 AI 方法快 300 倍，同時將打印準備時間從幾十小時減少到幾分鐘。

       彩色3D打印的速度限制

　　目前，許多材料噴射 (MJ) 3D 打印機能夠生產(chǎn)具有復雜顏色變化的零件，因此它們通常用于重建高度詳細的人工制品和手術模型。為了實現(xiàn)這一點，傳統(tǒng)的 MJ 系統(tǒng)使用紫外線來精確固化半透明基色樹脂的不同混合物，這種減色混合過程為它們提供了相當廣泛的調色板。

然而，盡管彩色 3D 打印具有靈活性，但它可能會導致不需要的光學散射，從而影響任何生成部件的清晰度和準確性。鑒于這種滲色是三維的，當它發(fā)生時，它還會影響薄壁物體內相對側的顏色，使其成為大規(guī)模精確生產(chǎn)的重大障礙。

　　早在 2017 年，研究人員就證明了使用模擬來優(yōu)化打印過程中材料放置的可行性，從而確保部件的最佳清晰度和對比度。現(xiàn)在，基于數(shù)百萬次測試運行，該團隊創(chuàng)建了一種改進的算法，能夠更準確地預測給定表面如何受到周圍材料的影響，從而加快整個過程。

另一種光散射模型

　　傳統(tǒng)上，預測紫外線傳播的方向涉及使用所謂的“蒙特卡羅”（MC）模擬模型。盡管此類方法通常很有效，但它們可能需要數(shù)小時才能完成，即使使用高端系統(tǒng)來生產(chǎn)非常小的物體，也會造成瓶頸，從而阻止復雜彩色零件的可擴展生產(chǎn)。

　　為了解決這個問題，研究人員采用了一種數(shù)據(jù)驅動的方法，在該方法中，他們使用深度神經(jīng)網(wǎng)絡來模擬減少樣本數(shù)量的產(chǎn)生，但代價是結果差異更大。盡管該團隊的改進循環(huán)導致了一些較低質量的預測，但對參考對象進行建模只需要 30 個小時，遠少于 MC 驅動軟件預計的 3,000 多個小時。

　　還發(fā)現(xiàn)修改后的算法在基本形狀和復雜幾何形狀之間比現(xiàn)有程序更好地泛化，可能使其成為進行更廣泛的 3D 打印準備的理想選擇。更重要的是，在單 GPU 工作站上進行測試時，團隊的軟件運行速度是以前的兩倍，避免了組裝以前執(zhí)行 ML 任務所需的計算機集群的需要。

　　事實上，與現(xiàn)有的 MJ 3D 打印工作流程相比，研究人員的速度提高了 300 倍，所得到的樣本的質量水平與傳統(tǒng)模型相似，顏色“更清晰”，盡管他們的設置最終確實執(zhí)行了創(chuàng)建薄壁對象時效果較差。

　　研究人員在他們的論文中總結道：“[我們的] 3D 打印管道在質量上與以前的工作相匹配，同時通常快 100 到 300 倍。” “盡管任何數(shù)據(jù)驅動模型的通用性有限，但該網(wǎng)絡可以很好地泛化到看不見的幾何形狀和材料值。這種穩(wěn)健性為我們的實際部署提供了解決方案。”