DOI: https://doi.org/10.1038/s41377-024-01707-8
PMID: https://pubmed.ncbi.nlm.nih.gov/39828745
تاريخ النشر: 2025-01-20
المؤلف: Jason E. Johnson وآخرون
الموضوع الرئيسي: تعلم الآلة في علوم المواد
نظرة عامة
تناقش هذه القسم التقدمات في البوليمرة متعددة الفوتونات، وهي تقنية بارزة في التصنيع الإضافي لطباعة ثلاثية الأبعاد على مقاييس الميكرو/النانو. يقدم المؤلفون إطار عمل نشط للتعلم الآلي مصمم لتحسين معلمات العملية لطريقة جديدة لطباعة ثلاثية الأبعاد بسرعة عالية، طبقة تلو الأخرى، باستخدام الإسقاط المستمر. يستخدم هذا الإطار تحسين بايزي لتوجيه التجارب، مما يمكّن من جمع البيانات بشكل تكيفي يعزز تدريب نموذج التعلم الآلي القائم على الانحدار باستخدام العمليات الغاوسية. يعمل هذا النموذج كبديل لعملية التصنيع، متنبئًا بالمعلمات المثلى اللازمة لتحقيق الأشكال المرغوبة.
من خلال ثلاث حالات اختبار تتضمن أشكال ثنائية الأبعاد تمثيلية بمقاييس مختلفة، أظهر إطار التعلم النشط تحسينات كبيرة في الدقة الهندسية، حيث حقق تقليل الأخطاء إلى حدود دقة القياس بعد أربع تكرارات فقط من تحسين بايزي واستخدام بضع مئات من نقاط البيانات التدريبية. تشير النتائج إلى أن هذا النهج في التعلم النشط يمكن تطبيقه بفعالية على عمليات التصنيع الإضافي الأخرى، مما يسهل تحسين الدقة مع تقليل الجهد المطلوب لجمع البيانات التجريبية أثناء التحسين.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على التأثير التحويلي للتصنيع الإضافي (AM)، وخاصة تقنيات الطباعة ثلاثية الأبعاد المعتمدة على الضوء مثل البوليمرة ثنائية الفوتون (MPP)، على صناعة التصنيع. على الرغم من مزايا مرونة التصميم والنماذج الأولية السريعة، فإن الجودة والدقة غير المتسقة للأجزاء المطبوعة قد أعاقت الاعتماد الأوسع. للتخفيف من هذه التحديات، تم تحديد التعلم الآلي (ML) كأداة محورية لنمذجة عمليات AM وتوقع النتائج، وبالتالي تحسين معلمات الطباعة. بينما تم إحراز تقدم كبير في تطبيق ML على طرق الطباعة على المقاييس الكبيرة، لا يزال تطبيقه في الطباعة ثلاثية الأبعاد على المقاييس الصغيرة غير مستكشف بشكل كافٍ.
يقترح المؤلفون إطار تحسين بايزي (BO) لتعزيز تصميم التجارب للطباعة ثلاثية الأبعاد على المقاييس الصغيرة باستخدام تقنية الليثوغرافيا متعددة الفوتونات بالإسقاط (PMPL). يستخدم هذا الإطار نموذج انحدار متعدد المخرجات باستخدام العمليات الغاوسية (GP) للتنبؤ بالدقة الهندسية وتصحيح العيوب داخل الهيكل، والتي تكون بارزة بشكل خاص في البوليمرة على المقاييس الصغيرة. من خلال استخدام نظام لجمع البيانات البصرية، يجمع الإطار البيانات التجريبية بكفاءة، مما يمكّن النموذج من تحسين توقعاته وتحسين دقة الطباعة. يتم إثبات فعالية هذا النهج من خلال الطباعة الناجحة لمجموعة متنوعة من الأشكال ثنائية الأبعاد بمقاييس مختلفة، محققًا دقة متفوقة مقارنة بأساليب الشبكات العصبية التلافيفية (CNN) المدربة على مجموعات بيانات أكبر. تختتم الورقة بمناقشة إمكانية تعميم هذا الإطار على أشكال أخرى وتوسيعه لعمليات الطباعة ثلاثية الأبعاد.
طرق
في هذه الدراسة، استخدم المؤلفون مجموعة من المواد الكيميائية المستمدة من موردين موثوقين لإجراء تجاربهم. تضمنت المواد الأساسية 4-(ديبوتيل أمين) بنزالدهيد، 4-ميثيل سيكلوهكسانون، هيدروكسيد البوتاسيوم، وبيتا إيثريل ثلاثي الأكريلات (PETA)، جميعها تم الحصول عليها من سيغما-ألدريتش. بالإضافة إلى ذلك، تم الحصول على الإيزوبروبانول والأسيتون من جي تي بيكر، بينما تم الحصول على مطور SU-8 من كاياكو للمواد المتقدمة. تعتمد الطرق المستخدمة في البحث على هذه المواد، على الرغم من عدم تفصيل إجراءات التجارب المحددة في هذا القسم.
نتائج
في هذه الدراسة، تم استخدام إطار تحسين بايزي (BO) لتعزيز دقة الطباعة لأنماط هندسية ثنائية الأبعاد، تحديدًا الدوائر، والمربعات، والمثلثات المتساوية الساقين، بأبعاد مستهدفة تبلغ 27 ميكرومتر، 13.5 ميكرومتر، و6.75 ميكرومتر. استخدم عملية التحسين مجموعة بيانات أساسية كبيرة، تتكون من 512 عينة للأشكال الأصغر و256 عينة للأشكال الأكبر، لتقليل الانحرافات عن الأبعاد المستهدفة. أشارت النتائج إلى أن الأشكال الأصغر أظهرت اختلافات أكبر عن أشكالها المقصودة، مما يتطلب المزيد من بيانات التدريب لتحسين الدقة. تضمنت عملية BO الحصول على بيانات متعددة الدفعات والتجارب التكرارية، مما أدى في النهاية إلى تحسين أخطاء محيط الأشكال من حوالي 0.5-1 ميكرومتر إلى أقل من 116 نانومتر، مما يظهر تحسينات كبيرة في حدة الزوايا والوفاء العام بالأنماط المستهدفة.
أظهرت التقييمات النوعية أن الطباعة الأولية كانت دائمًا أصغر بحوالي 1.4 ميكرومتر بسبب تأثيرات تثبيط الأكسجين، والتي عوض عنها إطار BO بفعالية في أربع تكرارات فقط. عرضت الأنماط المحسنة، وخاصة للأشكال الصعبة 6.75 ميكرومتر، دقة محسنة على الرغم من بعض العيوب التي تشبه تلك الموجودة في تقنيات تحسين الدقة الأخرى. بالإضافة إلى ذلك، تم تطبيق إطار BO بنجاح على أشكال هندسية أخرى، محققًا أخطاء محيط تبلغ 0.049 ميكرومتر و0.064 ميكرومتر لشكل خماسي ونجمة، على التوالي. بالمقارنة، أنتجت شبكة عصبية تلافيفية (CNN) مدربة على مجموعة بيانات أكبر أخطاء محيط كانت أكبر من مرتين إلى خمس مرات مقارنة بتلك التي تم تحقيقها من خلال نهج BO، مما يبرز فعالية طريقة التحسين المقترحة في سياق البوليمرة.
مناقشة
ت outlines قسم المناقشة في الورقة البحثية تطبيق إطار تحسين بايزي (BO) باستخدام انحدار العمليات الغاوسية (GP) لتعزيز الدقة الهندسية للهياكل المنتجة بواسطة الليثوغرافيا متعددة الفوتونات بالإسقاط (PMPL). تبدأ عملية التحسين بجمع مجموعة بيانات أساسية من خلال أخذ عينات شبه عشوائية في فضاء المعلمات، تليها تدريب نموذج GP للتنبؤ بمعلمات المخرجات بناءً على معلمات المدخلات. يتم تسليط الضوء على مرونة الإطار، حيث يمكنه التكيف مع عمليات التصنيع المختلفة وتكوينات المعلمات، مما يسمح بامتدادات مستقبلية إلى الأشكال ثلاثية الأبعاد والهندسيات المعقدة من خلال دمج بدائيات الشكل.
تشير النتائج الرئيسية إلى أن نموذج GP متعدد المخرجات المقترح يستفيد بفعالية من العلاقات بين معلمات المخرجات، مما يحسن دقة التنبؤ مع تقليل متطلبات البيانات. يسمح إدخال معيار الإيقاف المبكر بجمع البيانات بكفاءة، مما يظهر تحسينات كبيرة في الدقة الهندسية مع الحد الأدنى من التكرارات. على وجه التحديد، حقق الإطار تخفيضات كبيرة في أخطاء القياس في أربع تكرارات تحسين فقط، مما يبرز إمكانية تطبيقه عبر عمليات التصنيع الإضافي المختلفة. تؤكد الدراسة على أهمية معالجة التحديات مثل الطباعة الناقصة والاحتفاظ بالميزات، حيث نجحت تقنية تشويه الزوايا في تعزيز حدة الميزات المطبوعة. بشكل عام، تقدم الدراسة إطار عمل قوي للتعلم الآلي يمكن أن يوجه استكشاف مساحات تصميم جديدة في التصنيع المتقدم.
DOI: https://doi.org/10.1038/s41377-024-01707-8
PMID: https://pubmed.ncbi.nlm.nih.gov/39828745
Publication Date: 2025-01-20
Author(s): Jason E. Johnson et al.
Primary Topic: Machine Learning in Materials Science
Overview
The section discusses advancements in multi-photon polymerization, a prominent additive manufacturing technique for micro/nanoscale 3D printing. The authors introduce an active machine learning framework designed to optimize process parameters for a novel high-speed, layer-by-layer continuous projection 3D printing method. This framework employs Bayesian optimization to guide experimentation, enabling the adaptive collection of data that enhances the training of a Gaussian-process-regression-based machine learning model. This model acts as a surrogate for the manufacturing process, predicting optimal parameters necessary to achieve desired geometries.
Through three test cases involving representative 2D shapes at varying scales, the active learning framework demonstrated significant improvements in geometric accuracy, achieving error reductions to within measurement accuracy after only four iterations of Bayesian optimization and utilizing a few hundred training data points. The findings suggest that this active learning approach can be effectively applied to other additive manufacturing processes, facilitating enhanced accuracy while minimizing the effort required for experimental data collection during optimization.
Introduction
The introduction of this research paper highlights the transformative impact of additive manufacturing (AM), particularly light-based 3D printing techniques like two-photon polymerization (MPP), on the manufacturing industry. Despite the advantages of design flexibility and rapid prototyping, the inconsistent quality and accuracy of printed parts have hindered broader adoption. To mitigate these challenges, machine learning (ML) has been identified as a pivotal tool for modeling AM processes and predicting outcomes, thereby optimizing printing parameters. While significant advancements have been made in applying ML to macroscale printing methods, its application in micro-scale 3D printing remains underexplored.
The authors propose a Bayesian optimization (BO) framework to enhance the experimental design of micro-scale 3D printing using projection multi-photon lithography (PMPL). This framework employs a multi-output Gaussian-process (GP) regression model to predict geometric accuracy and correct intra-structure defects, which are particularly pronounced in micro-scale photopolymerization. By utilizing an optical data collection scheme, the framework efficiently gathers experimental data, enabling the model to refine its predictions and improve printing accuracy. The effectiveness of this approach is demonstrated through the successful printing of various 2D shapes at different scales, achieving superior accuracy compared to traditional convolutional neural network (CNN) methods trained on larger datasets. The paper concludes by discussing the potential for generalizing this framework to other shapes and extending it to three-dimensional printing processes.
Methods
In this study, the authors utilized a range of chemicals sourced from reputable suppliers to conduct their experiments. The primary materials included 4-(Dibutylamino) benzaldehyde, 4-methylcyclohexanone, potassium hydroxide, and pentaerythritol triacrylate (PETA), all obtained from Sigma-Aldrich. Additionally, isopropanol and acetone were procured from JT Baker, while the SU-8 Developer was sourced from Kayaku Advanced Materials. The methods employed in the research are based on these materials, although specific experimental procedures are not detailed in this section.
Results
In this study, a Bayesian optimization (BO) framework was employed to enhance the printing accuracy of 2D geometric patterns, specifically circles, squares, and isosceles right triangles, with target dimensions of 27 µm, 13.5 µm, and 6.75 µm. The optimization process utilized a substantial base dataset, comprising 512 samples for the smallest shapes and 256 samples for the larger ones, to mitigate deviations from target dimensions. The results indicated that smaller shapes exhibited greater discrepancies from their intended forms, necessitating more training data for improved accuracy. The BO process involved multi-batch acquisition and iterative trials, ultimately refining the shapes’ perimeter errors from approximately 0.5-1 µm to as low as 116 nm, demonstrating significant improvements in corner sharpness and overall fidelity to the target patterns.
Qualitative assessments revealed that initial prints were consistently undersized by about 1.4 µm due to oxygen inhibition effects, which the BO framework effectively compensated for within just four iterations. The optimized patterns, particularly for the challenging 6.75 µm shapes, displayed enhanced accuracy despite some artifacts resembling those found in other resolution enhancement techniques. Additionally, the BO framework was successfully applied to other geometries, achieving perimeter errors of 0.049 µm and 0.064 µm for a pentagon and a star, respectively. Comparatively, a convolutional neural network (CNN) trained on a larger dataset yielded perimeter errors that were two to five times greater than those achieved through the BO approach, underscoring the efficacy of the proposed optimization method in the context of photopolymerization.
Discussion
The discussion section of the research paper outlines the application of a Bayesian optimization (BO) framework utilizing Gaussian process (GP) regression for enhancing the geometric accuracy of structures produced by projection multi-photon lithography (PMPL). The optimization process begins with the collection of a base dataset through quasi-random sampling in the parameter space, followed by the training of a GP model to predict output parameters based on input parameters. The framework’s versatility is highlighted, as it can adapt to various manufacturing processes and parameter configurations, allowing for future extensions to 3D shapes and complex geometries through the combination of shape primitives.
Key findings indicate that the proposed multi-output GP model effectively leverages correlations among output parameters, improving prediction accuracy while minimizing data requirements. The introduction of an early stopping criterion allows for efficient data collection, demonstrating significant improvements in geometric accuracy with minimal iterations. Specifically, the framework achieved substantial reductions in measurement errors within just four optimization iterations, showcasing its potential applicability across different additive manufacturing processes. The study emphasizes the importance of addressing challenges such as under-printing and feature retention, with the corner warping technique successfully enhancing sharpness in printed features. Overall, the research presents a robust machine learning framework that can guide the exploration of new design spaces in advanced manufacturing.