机器学习模型可用于完善3D纳米打印

（劳伦斯·利弗莫尔（Lawrence Livermore）国家实验室的科学家和合作者正在使用机器学习解决双光子光刻（TPL）工业化的两个主要障碍：在光刻过程中监控零件质量并根据材料确定光剂量。该团队开发了一种机器学习算法，该算法用数千个记录TPL过程的视频进行了训练，以确定用于设置的最佳参数，例如曝光和激光强度，并以高精度自动检测零件质量。图片来源：劳伦斯·利弗莫尔国家实验室）

两光子光刻（TPL）是一种广泛使用的利用激光创建3-D物体的3-D纳米印刷技术，它在研究中显示出了可期的应用前景。但由于难以推广到大规模生产且设置十分耗时，它尚未获得广泛的行业认可。

TPL能够以非常高的分辨率制造纳米尺度的细节，它使用激光束制造零件，精确地将一束强烈的光束聚焦在液态光聚合物材料内的某一点上。体积像素或“体素”在光束撞击的每个点使液体变硬为固体，并去除未固化的液体，从而制造 3-D结构。用这种技术制造高质量的零件需要很精细的调控：光强太低则不能固化零件，太强则会损坏零件。对于操作员和工程师而言，确定正确的光剂量可能是费力的手动过程。

劳伦斯·利弗莫尔国家实验室（LLNL）的科学家和合作者尝试用机器学习方法解决TPL工业化的两个主要障碍：在印刷过程中监控零件质量并根据材料确定光剂量。该团队的机器学习算法接受了数千个标记为“未固化”，“固化”和“损坏”的零件的视频的训练，以识别用于设置的最佳参数，例如曝光和激光强度，并以很高的精度自动检测零件质量。这项工作最近发表在the journal Additive Manufacturing杂志上。

首席研究员和LLNL工程师Brian Giera说：“你永远不知道给定材料的确切参数，因此通常要经历一个磨人的过程去装载设备，打印数百个对象并手动对数据进行分类。” “我们设置了例行的常规实验，并制定了一种算法，该算法可以自动处理视频，以快速识别出好的和坏的零件。从该过程中获得的算法还可以用于实时显示质量检测。”

该团队开发了算法，并在前LLNL研究工程师，现佐治亚理工学院助理教授Sourabh Saha收集的实验数据上对其进行了训练。萨哈（Saha）设计了这些实验，以清楚地表明光强的变化如何影响未固化，固化和损坏的零件之间的转化，此外萨哈还使用市售的TPL打印机对不同类型的光固化聚合物进行了测试。

萨哈说：“ TPL得以普及在于它能够构建各种任意复杂的3D结构。” “但是，这对传统的自动化过程监控技术提出了挑战，因为固化的结构看起来彼此根本不同-这对于人来说是可以直观地识别出来的。我们的目标是证明我们可以让机器学会此技能。”

研究人员收集了1000多个视频，这些视频是在不同的光强条件下制作的各种零件的。爱荷华州立大学的研究生Xian Lee手动筛选了视频的每个帧，检查了成千上万张图像以分析每个过渡区域。

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％的准确度检测零件质量，从而为TPL工艺提供了前所未有的监控能力。Giera说，操作员可以将算法应用于最初的一组实验，并创建一个预训练的模型来加速参数优化，这将为他们提供一种监督制造过程并预测诸如过度固化之类问题的方法。

Giera说：“这一技术让我们能够实时，精确地监控生产过程，这是前所未有的，” Giera说道，“另一个特点是它基本上只使用图像数据。如果我想在多个地方同时制造子部件然后将他们组装成一个完整的部件，我实际上可以同时记录所有地方的视频并将这些子视频输入算法中，实现同时监控地效果。”

本着公开透明的原则，该团队还描述了算法在预测中可能出错的情况，展示了这一模型仍然有很大的提升空间以更好地识别可能影响零件质量的灰尘颗粒和其他颗粒物。该团队向公众公开了整个数据集，包括模型，训练权重和实际数据，以供科学界做进一步的创新。

“因为机器学习是一个不断发展的领域，所以如果我们将数据公开，那么其他人也可以帮忙解决这一问题。我们已经为该领域制作了这个入门数据集，现在每个人都可以在其中自由探索。” “这使我们可以从更广泛的机器学习社区中受益，他们对零件制造的了解可能不如我们那么多，但他们对算法研究的更加深入。”

这一工作得到了先前的实验室指导研究与开发（LDRD）项目中的双光子光刻技术与当前的LDRD项目“多零件快速制造优化（AMMO）”的支持。