新しい AI アルゴリズムは、高解像度のカラー 3D 印刷のロックを解除することに成功しました

印刷プロセスを継続的にシミュレートすることで、チームはアルゴリズムのトレーニングに成功し、色のにじみを制限してパーツの精度を向上させるための最適なパラメーターを繰り返し見つけました。 このプログラムは非常に効率的で、GPU のみを必要とするため、類似の AI 手法よりも 300 倍高速であり、印刷準備時間を数十時間から数分に短縮します。

カラー3Dプリントの速度制限

現在、多くのマテリアル ジェッティング (MJ) 3D プリンターは、複雑な色の変化を伴うパーツを作成できるため、非常に詳細なアーティファクトや手術モデルを再構築するためによく使用されます。これを実現するために、従来の MJ システムは、紫外線を使用して、半透明のベース カラー樹脂のさまざまな混合物を正確に硬化させます。この減法混色プロセスにより、かなり広範なパレットが提供されます。



ただし、カラー 3D プリントの柔軟性にもかかわらず、不要な光学的散乱が発生する可能性があり、生成されたパーツの鮮明さと精度に影響を与える可能性があります。このにじみは立体的なものであるため、発生すると薄肉の物体の反対側の色にも影響を及ぼし、大規模な精密生産を行う上で大きな障害となります。

2017 年という早い段階で、研究者は、シミュレーションを使用して印刷プロセス中に材料の配置を最適化し、パーツの鮮明さとコントラストを最適化することの実現可能性を実証しました。現在、チームは数百万回のテスト実行に基づいて、特定の表面が周囲の材料によってどのように影響を受けるかをより正確に予測できる改良されたアルゴリズムを作成し、プロセス全体をスピードアップしています。

別の光散乱モデル

従来、UV 伝播の方向の予測には、いわゆる「モンテカルロ」(MC) シミュレーション モデルの使用が含まれます。このような方法は通常効果的ですが、完了するまでに数時間かかる場合があり、ハイエンド システムを使用して非常に小さなオブジェクトを作成すると、複雑なカラー パーツのスケーラブルな生産を妨げるボトルネックが生じる可能性があります。

この問題を解決するために、研究者たちはデータ駆動型の方法を採用しました。この方法では、ディープ ニューラル ネットワークを使用してサンプル サイズを縮小した生成をシミュレートしましたが、結果の差が大きくなります。チームの改善サイクルの結果、予測の品質が低下しましたが、参照オブジェクトのモデリングには 30 時間しかかかりませんでした。これは、MC ドライバー ソフトウェアで予想される 3,000 時間よりもはるかに短い時間でした。

また、変更されたアルゴリズムは、基本的な形状と複雑な幾何学的形状の間で既存の手順よりも一般化できることもわかりました。これにより、より幅広い 3D 印刷の準備に理想的になる可能性があります。さらに重要なことは、シングル GPU ワークステーションでテストする場合、チームのソフトウェアは 2 倍の速さで実行されるため、以前は ML タスクを実行するために必要だったコンピューター クラスターを組み立てる必要がなくなりました。

実際、既存の MJ 3D プリント ワークフローと比較して、研究者の速度は 300 倍に向上し、得られたサンプルの品質レベルは従来のモデルと同等であり、色は設定にもかかわらず「より鮮明」でした。実際に最終的に実行されました 薄壁のオブジェクトを作成するときの効果は不十分です。

研究者は論文で次のように結論付けています.「[私たちの] 3D 印刷パイプラインは、以前の作業の品質に匹敵し、通常は 100 から 300 倍高速です。」「データ駆動型モデルの汎用性は限られていますが、ネットワークは適切に一般化できます。目に見えない幾何学的形状と材料の価値に.この堅牢性は、実際の展開のためのソリューションを提供します。」