来自能源部（DoE）阿贡国家实验室的工程研究人员将使用社交媒体人工智能技术来更好地优化3D打印部件的几何形状。

阿贡的首席机械工程师马克-梅斯纳(Mark Messner)是早在2019年最初开发这种新方法的人之一，他声称这是预测材料在极端温度和压力下可能表现的一种更好方式。虽然目前基于模拟的预测方法如愿以偿，但它们往往需要超级计算机级别的处理能力（和大量的耐心）来准确预测几何体在某些条件下可能的行为。

"梅斯纳说："你通常必须运行大量的基于物理学的模拟来解决这个问题。

如果研究人员已经有了一套特定的属性，如刚度、密度和强度，并想确定他们需要产生这些属性的优化部件结构，那么这一点尤其正确。据报道，作为一种替代方法，阿贡的方法比现代的零件性能模拟快2000多倍，并且能够在带有消费级GPU的普通笔记本电脑上运行。

梅斯纳的人工智能正在反复优化零件的几何形状。图片来源：马克-梅斯纳。

社交媒体是如何发挥作用的？

梅斯纳的工作可以追溯到他在劳伦斯-利弗莫尔国家实验室担任博士后研究员的时候，当时他和他的团队正试图3D打印复杂的微米级结构。据报道，该团队的进展缓慢，因此他们将目光投向了人工智能，看看是否能加快他们的研究。

当时，硅谷新兴的社交媒体巨头已经开始使用卷积神经网络，这是一种能在大量数据集中找到模式的人工智能，用于图像中的面部和物体识别。梅斯纳认为他可以将这一概念应用于三维领域。

"他解释说："我的想法是，一种材料的结构与三维图像没有区别。"有道理的是，这个神经网络的3D版本将很好地识别结构的属性--就像一个神经网络学会了一个图像是一只猫或其他东西一样。"

为了看看他的想法是否可行，梅斯纳设计了一个确定的三维几何体，并使用传统的基于物理学的模拟来创建一组200万个数据点。每个数据点都将他的几何体与密度和刚度的 "理想 "值联系起来。然后，他将这些数据点输入一个神经网络，并训练它寻找所需的属性。

最后，梅斯纳使用了遗传算法--一种迭代的、基于优化的人工智能类别--与经过训练的神经网络一起，确定能够产生他所寻求的特性的结构。令人印象深刻的是，他的人工智能方法找到了正确的结构，比传统的物理模拟快2760倍。

卷积神经网络的拓扑结构。图片来源：马克-梅斯纳。

人工智能、3D打印和核部门

人工智能方法最有希望的应用之一是在3D打印领域。由于该方法倾向于提出极其复杂的几何形状，传统的制造工艺将难以实际生产模型所建议的结构。三维打印的添加性使得制造这些优化的结构成为可能，无论几何形状有多复杂，都能使科学家实现他们所寻求的特性。

Messner认为 "机械工程的未来 "很可能是人工智能和增材制造的结合。"你可以把由神经网络决定的结构交给拥有3D打印机的人，他们会按照你想要的性能打印出来。我们还没有完全达到这个目标，但这是我们的希望。"

该技术的一个更直接的应用是在核工业中，用于材料设计。事实上，梅斯纳的团队目前正在与核电创业公司Kairos Power合作，利用人工智能设计一个熔盐核反应堆核心。阿贡的模型最终将帮助Kairos团队预测不锈钢316H在几十年内如何处理核反应堆核心固有的高温和压力。

"这是我们为Kairos Power所做工作的一小部分，但却是至关重要的，"阿贡的核工程师Rui Hu总结道。"Kairos Power希望有非常准确的模型来说明反应堆部件在其反应堆内的行为，以支持其向核管理委员会提出的许可申请。我们期待着提供这些模型。"

人工智能和机器学习无疑已经进入了3D打印领域，在从材料设计到缺陷检测等方面都有应用。本月早些时候，查尔斯大学计算机图形学组（CGG）的研究人员开发了一种基于ML的技术，可以帮助解锁更高的保真度的c

人工智能和机器学习无疑已经进入了3D打印领域，从材料设计到缺陷检测都有应用。本月早些时候，查尔斯大学计算机图形组（CGG）的研究人员开发了一种基于ML的技术，可以帮助解锁更高保真度的彩色3D打印。通过模拟3D打印过程，该团队能够训练一种算法，以找到限制颜色渗漏的最佳构建参数，并提高零件精度。

在其他地方，在阿贡和德克萨斯A&M大学，科学家们以前开发了一种新颖的ML方法来检测3D打印部件的缺陷。利用实时温度数据和ML算法，科学家们能够在热历史和次表面缺陷的形成之间建立相关联系。