近日，蘋果軟件工程師ZhuZeliangLiu和伊利諾伊大學土木與環境工程教授JinhuiYan正在嘗試使用機器學習來預測增材制造（AdditiveManufacturing，AM）過程。
增材制造技術與3D打印技術所類似，但兩者仍有差異。根據GEadditive的描述，3D打印一般采用噴墨式（inkjet-style），適合普通消費者的個性化需求。而增材制造的工藝比3D打印要工業化許多，在一些特定情況下能夠作為數控加工（CNCmachining）、注射成型（injectionmolding）和熔模制造（investmentcasting）的替代方案，在工業制造中節省更多成本，更符合制造商的需要。
然而，提前預測增材制造過程是一個挑戰。
一、預測增材制造過程中受到物質轉化的影響，不容易被預測
伊利諾伊大學博士生QimingZhu說，“在預測增材制造過程時，需要將多個變量都考慮進去，例如氣體、液體和固體，以及它們之間的轉化”。同時，他也強調增材制造過程會受到廣泛的空間和時間尺度（spatialandtemporalscales，打印物品的大小和花費的時間長度）的影響，小范圍的測試可能和增材制造的成品有巨大差距。
ZhuZeliangLiu和JinhuiYan組成了團隊，嘗試使用機器學習來解決這些問題。他們嘗試用深度學習（deeplearning）和神經網絡（neuralnetwork）來預測增材制造過程中的每一步步驟。
二、團隊嘗試利用物理信息神經網絡來構建預測模型
當前主流的神經網絡模型都需要大量數據來進行模擬訓練。但在增材制造領域，獲得高保真的數據是一件很困難的事情。ZhuZeliangLiu表示，為了減少對數據的需求，團隊嘗試研究“物理信息神經網絡（physicsinformedneuralnetworking）”或PINN。
“通過合并守恒定律（incorporatingconservationlaws），并用偏微分方程表示（partialdifferentialequations），我們可以減少訓練所需的數據量并提高我們當前模型的能力。”他說。
三、該模型的預測結果準確度高達九成以上
該團隊模擬了兩個基準實驗的動態（simulatedthedynamicsoftwobenchmarkexperiments）：一個是當固體和液態金屬相互作用的1D凝固（1Dsolidification）實驗；另一個是激光束熔化試驗（laserbeammeltingtests），選自2018年NIST增材制造基準測試系列（2018NISTAdditiveManufacturingBenchmarkTestSeries）。
在1D凝固案例中，他們將實驗數據輸入到他們的神經網絡模型中。在激光束熔化測試中，他們使用了實驗數據以及計算機模擬的結果。
該團隊的神經網絡模型能夠重現這兩個實驗的動態。在NISTChallenge的情況下，它預測了實驗中的溫度（temperature）和熔池長度（meltpoollength），誤差在實際結果的10%以內。這個結果顯示該模型已經具備預測增材制造過程的能力。
結論：預測增材制造過程的技術，在工業制造領域有廣泛的前景
在2021年一月，該團隊已經在ComputationalMechanics上發表了他們的研究成果。ZhuZeliangLiu說，“這是神經網絡首次應用于金屬增材制造過程的建模（metaladditivemanufacturingprocessmodeling），顯示出基于物理的機器學習（physics-informedmachinelearning）在增材制造領域具有巨大潛力。”
增材制造能夠讓人們在制造業（manufacturing）、汽車工程（automotiveengineering）甚至外太空（outerspace）中按需生產零件或產品，減少材料浪費的可能性。ZhuZeliangLiu認為，未來工程師將使用神經網絡作為快速預測工具，在預測增材制造過程時，提供參數設置的建議。
