Machine learning-model kan 3D-nanodruk perfectioneren

Twee-fotonlithografie (TPL) – een veelgebruikte 3D-nanoprinttechniek waarbij laserlicht wordt gebruikt om 3D-objecten te creëren – heeft veelbelovend gebleken in onderzoekstoepassingen, maar moet nog breed worden geaccepteerd door de industrie vanwege beperkingen op grootschalige productie van onderdelen en tijdrovende setup.

In staat om nanoschaalfuncties met een zeer hoge resolutie af te drukken, gebruikt TPL een laserstraal om onderdelen te bouwen, waarbij een intense lichtstraal op een precieze plek in een vloeibaar fotopolymeermateriaal wordt gefocust. De volumetrische pixels, of “voxels”, verharden de vloeistof tot een vaste stof op elk punt dat de straal raakt en de niet-uitgeharde vloeistof wordt verwijderd, waardoor een 3D-structuur achterblijft. Het bouwen van een kwalitatief hoogstaand onderdeel met de techniek vereist het lopen van een dunne lijn: te weinig licht en een onderdeel kan zich niet vormen, te veel en het veroorzaakt schade. Voor operators en ingenieurs kan het bepalen van de juiste lichtdosering een moeizaam handmatig proces zijn.

Lawrence Livermore National Laboratory (LLNL) wetenschappers en medewerkers wendden zich tot machine learning om twee belangrijke belemmeringen voor de industrialisatie van TPL aan te pakken: het bewaken van de kwaliteit van onderdelen tijdens het printen en het bepalen van de juiste lichtdosering voor een bepaald materiaal. Het algoritme voor machine learning van het team is getraind op duizenden videobeelden van builds die zijn gelabeld als ‘niet-uitgehard’, ‘uitgehard’ en ‘beschadigd’, om de optimale parameters voor instellingen zoals belichting en laserintensiteit te identificeren en om automatisch de kwaliteit van het onderdeel te detecteren bij hoge nauwkeurigheid. Het werk is onlangs gepubliceerd in het tijdschrift Additive Manufacturing.

“Je weet nooit de exacte parameters voor een bepaald materiaal, dus je doorloopt meestal dit vreselijke proces van het laden van het apparaat, het afdrukken van honderden objecten en het handmatig sorteren van de gegevens”, zegt hoofdonderzoeker en LLNL-ingenieur Brian Giera. “Wat we deden, was de routinematige reeks experimenten uitvoeren en een algoritme maken dat automatisch de video verwerkt om snel te identificeren wat goed en slecht is. En wat je gratis uit dat proces haalt, is een algoritme dat ook werkt op realtime kwaliteit detectie. “

Het team heeft het algoritme ontwikkeld en getraind op experimentele gegevens die zijn verzameld door Sourabh Saha, een voormalig LLNL-onderzoekingenieur die nu assistent-professor is aan het Georgia Institute of Technology. Saha ontwierp de experimenten om duidelijk te laten zien hoe veranderingen in lichtdosering de overgangen tussen de niet-uitgeharde, uitgeharde en beschadigde bouwwerken beïnvloedden, en drukte een reeks objecten af ​​met twee soorten foto-uithardende polymeren met behulp van een in de handel verkrijgbare TPL-printer.

“De populariteit van TPL ligt in het vermogen om een ​​verscheidenheid aan willekeurig complexe 3D-structuren te bouwen,” zei Saha. “Dit vormt echter een uitdaging voor traditionele geautomatiseerde procesbewakingstechnieken omdat de uitgeharde structuren er radicaal anders uit kunnen zien – menselijke experts kunnen de overgangen intuïtief identificeren. Ons doel hier was om te laten zien dat machines deze vaardigheid kunnen leren.”

De onderzoekers verzamelden meer dan 1.000 video’s van verschillende soorten onderdelen die onder verschillende lichtdoseringsomstandigheden zijn gebouwd. Xian Lee, een afgestudeerde student aan de Iowa State University, doorzocht handmatig elk frame van de video’s en onderzocht tienduizenden afbeeldingen om elke overgangsregio te analyseren.

Met behulp van het deep learning-algoritme ontdekten onderzoekers dat ze binnen enkele milliseconden onderdeelkwaliteit konden detecteren met een nauwkeurigheid van meer dan 95 procent, waardoor een ongekende monitoringcapaciteit voor het TPL-proces werd gecreëerd. Giera zei dat operators het algoritme kunnen toepassen op een eerste reeks experimenten en een voorgeprogrammeerd model kunnen maken om parameteroptimalisatie te versnellen en hen een manier te bieden om toezicht te houden op het bouwproces en te anticiperen op problemen zoals onverwachte overharding in het apparaat.

“Wat dit mogelijk maakt, is daadwerkelijke kwalitatieve procesbewaking waar dat voorheen niet mogelijk was,” zei Giera. “Een andere leuke functie is dat het in feite alleen beeldgegevens gebruikt. Als ik een heel groot gebied had en ik bouw op meerdere bouwlocaties om vervolgens een masteronderdeel samen te stellen, zou ik eigenlijk video van al die gebieden kunnen opnemen, die subbeelden in een algoritme kunnen invoeren en parallelle bewaking hebben. “

In de geest van transparantie beschreef het team ook gevallen waarin het algoritme fouten maakte in voorspellingen, wat een gelegenheid toonde om het model te verbeteren om stofdeeltjes en andere deeltjes die de bouwkwaliteit zouden kunnen beïnvloeden, beter te herkennen. Het team heeft de volledige dataset voor het publiek vrijgegeven, inclusief het model, trainingsgewichten en actuele gegevens voor verdere innovatie door de wetenschappelijke gemeenschap.

“Omdat machine learning zo’n evolutionair veld is, kan dit probleem baat hebben bij andere mensen die het oplossen als we de gegevens daar beschikbaar stellen. We hebben deze startdataset voor het veld gedaan en nu kan iedereen vooruit”, zei Giera. “Hierdoor kunnen we profiteren van de bredere gemeenschap van machine learning, die misschien niet zo veel weet over additive manufacturing als wij, maar wel meer weet over nieuwe technieken die ze ontwikkelen.”

Het werk kwam voort uit een eerder Laboratory Directed Research and Development (LDRD) -project op twee-fotonlithografie en werd voltooid onder een huidige LDRD getiteld “Accelerated Multi-Modal Manufacturing Optimization (AMMO)”.