两光子光刻(TPL)是一种广泛使用的3D纳米打印技术，该技术使用激光来创建3D对象，该技术在研究应用中显示出了希望，但由于对大规模零件生产和时间密集的限制，尚未获得广泛的行业认可。设置。

TPL能够以非常高的分辨率打印纳米级特征，它使用激光束制造零件，将一束强烈的光束聚焦在液态光聚合物材料内的精确点上。体积像素或“体素”在光束撞击的每个点将液体硬化为固体，并除去未固化的液体，留下3D结构。

用这种技术制造高质量的零件需要走一条细线：太少的光线和一个零件就不能形成，太多的零件会造成损坏。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(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：在打印过程中监控零件质量并确定给定材料的正确光剂量。该团队开发了一种机器学习算法，该算法在TPL构建的数千个视频图像上进行了训练，以识别用于设置的最佳参数，例如曝光和激光强度，并以高精度自动检测零件质量。图片来源：LLNL

劳伦斯·利弗莫尔国家实验室 (LLNL)的科学家和合作者转向机器学习，以解决TPL工业化的两个主要障碍：在印刷过程中监控零件质量并确定给定材料的正确光剂量。该团队的机器学习算法在成千上万的分别标记为“未固化”，“已固化”和“已损坏”的零件的视频图像上进行了培训，以识别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。这项工作最近发表在《添加剂制造》杂志上 。

首席研究员和LLNL工程师Brian Giera说：“您永远不知道给定材料的确切参数，因此通常会经历这个可怕的过程，即加载设备，打印数百个对象并手动对数据进行分类。” “我们所做的是运行例行的实验，并制定了一种算法，该算法可以自动处理视频，以快速确定优缺点。从该过程中您免费获得的是一种算法，该算法还可以进行实时质量检测。”

该团队开发了算法，并根据前LLNL研究工程师Sourabh Saha收集的实验数据对它进行了训练，现在他是佐治亚理工学院的助理教授 。萨哈(Saha)设计了这些实验，以清楚地表明光剂量的变化如何影响未固化，固化和损坏的构件之间的过渡，并使用市售的TPL打印机用两种类型的光固化聚合物印刷一系列物体。

萨哈说：“ TPL的流行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-人类专家可以直观地识别过渡。我们的目标是证明可以向机器教授此技能。”

研究人员收集了1000多个在不同光剂量条件下制造的各种零件的视频。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%的精度检测零件质量，从而为TPL流程创造了前所未有的监控能力。Giera说，操作员可以将该算法应用于一组初始实验，并创建一个预训练模型来加速参数优化，并为他们提供一种监督构建过程并预测诸如设备中意外过度固化之类问题的方法。

Giera说：“这允许进行实际的定性过程监控，而以前却没有这样做的能力，” Giera说，“另一个简洁的功能是它基本上只使用图像数据。如果我有一个很大的区域，并且要在多个构建位置进行构建然后组装一个主要零件，则实际上可以记录所有这些区域的视频，并将这些子图像输入算法中，并进行并行监控。”

本着透明的精神，该团队还描述了算法在预测中出错的情况，这为改进模型以更好地识别可能影响建筑质量的灰尘颗粒和其他颗粒物提供了机会。该小组 发布了 整个数据集给公众，包括型号，科学界训练权重与实际数据进一步创新。

“由于机器学习是一个不断发展的领域，如果我们将数据放在那里，那么其他人可以从中受益。我们已经完成了该领域的入门数据集，现在每个人都可以前进。” Giera说。“这使我们能够从更广泛的机器学习社区中受益，后者对增材制造的了解可能不如我们那么多，但对他们正在开发的新技术的了解却更多。”

该工作源自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，并在当前的LDRD中完成，标题为“加速多模制造优化(AMMO)”。

爱荷华州立大学的合著者Soumik Sarkar也为这项工作做出了贡献。

标签： 机器学习模型