LLNL國家實驗室的金屬增材制造加速認證總監(jiān)Wayne King在不久前GE打造的Industry in 3D系列脫口秀訪談節(jié)目中，談到依靠人類的經驗來進行加工質量提升，這個過程是充滿痛苦和煎熬的。這種基于人的經驗加工技術將要被基于科學的加工技術所替代，他認為前置反饋將要顛覆當前的3D打印現狀。

      前置反饋像3D打印設備的大腦，“告訴”打印機如何做避免錯誤。利用所能得到的最新信息，進行認真、反復的預測，把計劃所要達到的目標同預測相比較，并采取措施修改計劃，以使預測與計劃目標相吻合。

神經網絡的高級算法

    LLNL正在將卷積神經網絡原理用于機器學習“修復”3D打印金屬零件，通過神經網絡的高級算法用于實時來分析構建質量，并就就如何改進構建質量提出建議。LLNL正在朝著一鍵打印的目標努力。Wayne King所在的LLNL國家實驗室從2011年就引入了3D打印技術，目前擁有200多名科學家從事增材制造工作。作為全球領先的3D打印增材制造研究中心之一，LLNL配有三個3D打印實驗室，這些實驗室所從事的是具有前沿探索以及商業(yè)化轉化價值的研究。

     多年來，勞倫斯利弗莫爾國家實驗室的工程師們使用傳感器和成像技術來分析金屬3D打印背后的物理和過程，以便每次都能夠首次構建高質量的金屬零件?，F在，他們正在利用機器學習來實時處理3D構建期間獲得的數據，可以在幾毫秒內檢測構建是否是高質量的。更確切地說，他們正在開發(fā)卷積神經網絡（CNN），這是一種通常用于處理圖像和視頻的算法，通過觀察大約每段10毫秒的視頻來預測部件是否良好。

用于下圍棋，也可用于預測3D打印結果

      根據業(yè)內專家，卷積神經網絡是近些年逐步興起的一種人工神經網絡結構, 因為利用卷積神經網絡在圖像和語音識別方面能夠給出更優(yōu)預測結果, 這一種技術也被廣泛的傳播可應用. 卷積神經網絡最常被應用的方面是計算機的圖像識別, 不過因為不斷地創(chuàng)新, 它也被應用在視頻分析, 自然語言處理, 藥物發(fā)現, 等等。包括Alpha Go, 讓計算機看懂圍棋, 同樣也是有運用到這門技術。

      那么卷積神經網絡的計算原理是怎樣的呢？ “卷積” 和 “神經網絡”. 卷積也就是說神經網絡不再是對每個像素的輸入信息做處理了,而是圖片上每一小塊像素區(qū)域進行處理, 這種做法加強了圖片信息的連續(xù)性。 使得神經網絡能看到圖形, 而非一個點。這種做法同時也加深了神經網絡對圖片的理解。具體來說, 卷積神經網絡有一個批量過濾器, 持續(xù)不斷的在圖片上滾動收集圖片里的信息，每一次收集的時候都只是收集一小塊像素區(qū)域，然后把收集來的信息進行整理, 這時候整理出來的信息有了一些實際上的呈現, 比如這時的神經網絡能看到一些邊緣的圖片信息, 然后在以同樣的步驟, 用類似的批量過濾器掃過產生的這些邊緣信息, 神經網絡從這些邊緣信息里面總結出更高層的信息結構，比如說總結的邊緣能夠畫出眼睛，鼻子等等。再經過一次過濾，臉部的信息也從這些眼睛鼻子的信息中被總結出來。最后我們再把這些信息套入幾層普通的全連接神經層進行分類，這樣就能得到輸入的圖片能被分為哪一類的結果了。

      拿粉末床金屬熔融技術來說，金屬粉末一層一層的被凝固，從而成為最終零件，在層凝固的過程中就有著與模型切片所對應的圖像成像過程，由此說來，卷積神經網絡原理用于3D打印的前饋控制是頗具發(fā)展?jié)摿Φ?/p>

制造，最終回歸于軟件與算法？

     LLNL的研究人員通過標記每個構建過程的高度圖的算法，然后使用相同的模型來預測構建路徑的寬度和標準偏差。路徑是否被破壞是由一套算法來判斷的，這套算法是LLNL國家實驗室的研究員Bodi Yuan開發(fā)的。

     此前，LLNL的一些研究人員花了數年時間收集激光粉末床熔融金屬3D打印過程的各種形式的實時數據，包括視頻，光學層析成像和聲學數據。逐漸，LLNL發(fā)現，如此大的數據量，不可能通過人工來進行所有的數據分析，由此他們寄希望于神經網絡是否可以簡化任務。

     根據LLNL國家實驗室，就像人類大腦使用視覺和其他感官來導航世界一樣，他們希望通過機器學習分析傳感器獲取的數據來導航3D打印過程。據3了解，LLNL國家實驗室開發(fā)的神經網絡可以用于其他3D打印系統(tǒng)。理論上，研究人員應該能夠遵循相同的算法，在不同條件下創(chuàng)建零件，收集視頻，以生成可用于標準機器學習技術的信息。

         目前，LLNL國家實驗室仍然需要做一些工作來檢測零部件中的孔隙，這些部位無法通過高度圖掃描進行預測，但可以通過非原位X射線照相技術進行測量。除了視頻之外，研究人員還將嘗試創(chuàng)建算法以合并分析其他類型的傳感器所獲取的數據。