Machine learning model kan perfektionere 3-D nanoprinting

To-foton litografi (TPL) - en udbredt 3-D nanoprintteknik, der bruger laserlys til at skabe 3-D objekter - har vist lovende i forskningsapplikationer, men har endnu ikke opnået udbredt industriaccept på grund af begrænsninger i storskalaproduktion af dele og tidskrævende opsætning.

I stand til at udskrive funktioner i nanoskala i en meget høj opløsning, TPL bruger en laserstråle til at bygge dele, fokusering af en intens lysstråle på et præcist sted i et flydende fotopolymermateriale. De volumetriske pixels, eller "voxels, "hærder væsken til et fast stof ved hvert punkt, strålen rammer, og den uhærdede væske fjernes, efterlader en 3D-struktur. At bygge en del af høj kvalitet med teknikken kræver at man går en fin linje:for lidt lys og en del kan ikke dannes, for meget, og det forårsager skade. For operatører og ingeniører, at bestemme den korrekte lysdosis kan være en besværlig manuel proces.

Forskere og samarbejdspartnere fra Lawrence Livermore National Laboratory (LLNL) henvendte sig til maskinlæring for at løse to vigtige barrierer for industrialisering af TPL:overvågning af delkvaliteten under udskrivning og bestemmelse af den rigtige lysdosis for et givet materiale. Holdets maskinlæringsalgoritme blev trænet på tusindvis af videobilleder af builds mærket som "uhærdet, " "helbredt, " og "beskadiget, " for at identificere de optimale parametre for indstillinger såsom eksponering og laserintensitet og automatisk detektere delkvalitet med høj nøjagtighed. Værket blev for nylig offentliggjort i tidsskriftet Additive Manufacturing.

"Man kender aldrig de nøjagtige parametre for et givet materiale, så du går typisk igennem denne forfærdelige proces med at indlæse enheden, udskrivning af hundredvis af objekter og manuelt sortering af data, " sagde hovedefterforsker og LLNL-ingeniør Brian Giera. "Det, vi gjorde, var at køre rutinesættet af eksperimenter og lavede en algoritme, der automatisk behandler videoen for hurtigt at identificere, hvad der er godt og hvad der er dårligt. Og det, du får gratis ud af den proces, er en algoritme, der også fungerer på kvalitetsdetektion i realtid."

Holdet udviklede algoritmen og trænede den på eksperimentelle data indsamlet af Sourabh Saha, en tidligere LLNL forskningsingeniør, som nu er assisterende professor ved Georgia Institute of Technology. Saha designede eksperimenterne til klart at vise, hvordan ændringer i lysdosering påvirkede overgangene blandt de uhærdede, hærdede og beskadigede bygningsværker, og printede en række objekter med to typer fotohærdende polymer ved hjælp af en kommercielt tilgængelig TPL-printer.

"Populariteten af ​​TPL ligger i dens evne til at bygge en række vilkårligt komplekse 3-D strukturer, " sagde Saha. "Men, dette udgør en udfordring for traditionelle automatiserede procesovervågningsteknikker, fordi de hærdede strukturer kan se radikalt forskellige ud fra hinanden - menneskelige eksperter kan intuitivt identificere overgangene. Vores mål her var at vise, at maskiner kan læres denne færdighed."

Forskerne indsamlede mere end 1, 000 videoer af forskellige slags dele bygget under forskellige lysdoseringsforhold. Xian Lee, en kandidatstuderende ved Iowa State University, manuelt sigtet gennem hver frame af videoerne, undersøge titusindvis af billeder for at analysere hver overgangsregion.

Ved at bruge deep learning-algoritmen, forskere fandt ud af, at de kunne detektere delekvalitet med mere end 95 procent nøjagtighed inden for et par millisekunder, skabe en hidtil uset overvågningskapacitet for TPL-processen. Giera sagde, at operatører kunne anvende algoritmen til et indledende sæt af eksperimenter og skabe en fortrænet model for at accelerere parameteroptimering og give dem en måde at overskue byggeprocessen og forudse problemer såsom uventet overhærdning i enheden.

"Det, dette giver mulighed for, er faktisk kvalitativ procesovervågning, hvor der ikke var en evne til at gøre det før, " sagde Giera, "En anden fin funktion er, at den stort set kun bruger billeddata. Hvis jeg havde et meget stort område, og jeg bygger på flere byggelokationer for derefter at samle en masterdel, Jeg kunne faktisk optage video af alle de områder, fodre disse underbilleder ind i en algoritme og have parallel overvågning."

I en ånd af gennemsigtighed, holdet beskrev også tilfælde, hvor algoritmen lavede fejl i forudsigelser, viser en mulighed for at forbedre modellen til bedre at genkende støvpartikler og andre partikler, der kan påvirke byggekvaliteten. Holdet frigav hele datasættet til offentligheden, inklusive modellen, træningsvægte og faktiske data til yderligere innovation fra det videnskabelige samfund.

"Fordi maskinlæring er et så evolutionært område, hvis vi lægger data derude, kan dette problem have gavn af, at andre mennesker løser det. Vi har lavet dette startdatasæt til feltet, og nu kan alle komme videre, " sagde Giera. "Dette giver os mulighed for at drage fordel af det bredere maskinlæringsfællesskab, som måske ikke ved så meget om additiv fremstilling, som vi gør, men ved mere om nye teknikker, de er ved at udvikle."

Arbejdet stammede fra et tidligere Laboratory Directed Research and Development (LDRD) projekt om to-foton litografi og blev afsluttet under en nuværende LDRD med titlen "Accelerated Multi-Modal Manufacturing Optimization (AMMO)."