尽管科学家和工程师们正在不断地创造可用于3D打印的具有特殊品质的新材料，但这可能是一项具有挑战性且成本高昂的任务。
为了找到始终如一地产生新材料最佳打印质量的最佳参数，专业操作人员经常需要进行人工试错实验，有时创建数千张打印。打印速度和打印机沉积的材料量是其中的一些变量。
现在，麻省理工学院的研究人员利用AI来简化这一过程。他们开发了一种ML系统，使用计算机视觉来监控生产过程，并实时修复处理错误。
在使用模拟训练神经网络如何更改打印参数以减少错误后，他们将控制器放在真正的3D打印机上。
这项工作避免了打印数万或数亿实际对象来教授神经网络的过程。此外，这可能使工程师更容易在其设计中加入新颖的材料，使之能够创造出具有独特的化学或电气特性的产品。如果在设置或正在打印的材料发生意外变化，这也可能使技术人员更容易对打印过程进行快速调整。
由于涉及大量的试验和错误，为数字化制造方法选择最佳参数可能是过程中最昂贵的步骤之一。此外，一旦技术人员发现功能良好的组合，这些参数仅在该特定情况下是最佳的。因为其缺乏关于该物质如何在各种环境、各种装备上发挥作用或新批次是否具有不同特征的信息。
此外，使用ML系统也存在困难。研究人员必须首先对打印机上发生的事情进行实时测量。
为此，他们开发了一个机器视觉装置，两个摄像头指向3D打印机的喷嘴。该技术在材料沉积时对其进行照明，并根据通过的光量确定材料的厚度。
要训练基于神经网络的控制器来理解这个制造过程，需要进行数百万次打印，这是一个数据密集型操作。
他们的控制器使用一种被称为强化学习的方法进行训练，这种方法通过在模型出错时付费来教育模型。该模型需要选择可以在虚拟环境中生成特定对象的打印参数。当模型在给定预测结果后，选取的参数使其打印结果与预期结果之间的方差最小即可获得。
在这种情况下，“错误”意味着模型要么分配了过多的材料，填充了应该保持空白的空间；要么没有足够的材料，留下了需要填充的空间。
然而，现实世界比模型还要粗糙。实际上，条件通常会因微小的波动或印刷过程噪声而改变。研究人员利用这种方法来模拟噪声，从而产生更准确的结果。
当对控制器进行测试时，这比他们检查的任何其他控制策略都更精确地打印出物体。其在打印填充材料时尤其有效，这涉及到打印物体的内部。研究人员的控制器改变了打印路径，使物体保持水平，而其他一些控制器放置了大量材料，使打印的物体会向上突出。
即使在材料沉积之后，控制策略也可以了解其如何分散和适应参数。
研究人员打算为其他制造过程创建控制，现在他们已经证明了这种方法在3D打印中的效率。他们还想研究如何改变策略，以适应有多个材料层或各种材料同时生产的情况。此外，他们的方法假设每种材料都有恒定的粘度，但以后的版本可能会使用AI实时检测和计算粘度。
