近日，蘋果軟件工程師 Zhu Zeliang Liu 和伊利諾伊大學土木與環境工程教授 Jinhui Yan 正在嘗試使用機器學習來預測增材制造（Additive Manufacturing，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 GE additive 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（CNC machining）、注射成型（injection molding）和熔模制造（investment casting）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 Qiming Zhu 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（spatial and temporal scales，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。

Zhu Zeliang Liu 和 Jinhui Yan 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（deep learning）和神經網絡（neural network）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。Zhu Zeliang Liu 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（physics informed neural networking）”或 PINN。

“通過合并守恒定律（incorporating conservation laws），并用偏微分方程表示（partial differential equations），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（simulated the dynamics of two benchmark experiments）：一個是當固體和液態金屬相互作用的 1D 凝固（1D solidification）實驗；另一個是激光束熔化試驗（laser beam melting tests），選自 2018 年 NIST 增材制造基準測試系列（2018 NIST Additive Manufacturing Benchmark Test Series）。

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 NIST Challenge 的情況下，它預測了實驗中的溫度（temperature）和熔池長度（melt pool length），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 Computational Mechanics 上發表了他們的研究成果。Zhu Zeliang Liu 說，“這是神經網絡首次應用于金屬增材制造過程的建模（metal additive manufacturing process modeling），顯示出基于物理的機器學習（physics-informed machine learning）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（automotive engineering）甚至外太空（outer space）中按需生產零件或產品，減少材料浪費的可能性。Zhu Zeliang Liu 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。