Tre 3D-printede modeller i farger lagd ved bruk av teamets nye ML programvare. Foto: Charles University

Tidens løsen er kunstig intelligens (AI – artificial intelligence) i kombinasjon med maskinlæring (ML – machine learning). Du har kanskje sett mange fargelagte bilder fra gamle dager i det siste, og som i tillegg kan snu litt på ansiktet, blunke med øynene og snu blikket i flere retninger? Dette er de mest synlige og populære innslagene i hverdagen av maskinlæring og kunstig intelligens. Nå har forskere fra Charles University’s Computer Graphics Group (CGG) har utviklet en teknikk basert på maskinlæring som kan bidra til å virkeliggjøre potensialet til høyoppløselig 3D-printing i farger.

Ved kontinuerlig å simulere utskriftsprosessen har teamet klart å trene en algoritme til å iterativt finne de optimale parametrene for å begrense fargeblødning, og forbedre delens nøyaktighet. Programmet er også ultraeffektivt, og krever bare en GPU (grafikkprosessor), noe som gjør det opptil 300 ganger raskere enn lignende AI-tilnærminger, mens det reduserer forberedelsestiden for 3D-utskrifter fra flere titalls timer til bare et par minutter.

Fartsgrensen for 3D-printing i farger
For tiden er det mange material jetting (MJ) 3D-printere som kan produsere deler med kompleks fargevariasjon, og de blir ofte brukt til å gjenskape svært detaljerte museumsgjenstander og kirurgiske modeller. For å oppnå dette bruker konvensjonelle MJ-systemer UV-lys for å nøyaktig lage forskjellige blandinger av gjennomsiktige basefargede harpikser, og denne subtraktive blandingsprosessen gir dem en ganske bred palett.

Men til tross for fleksibilitet i 3D-printing i farger kan det forårsake uønsket optisk spredning, noe som påvirker skarpheten og nøyaktigheten til eventuelle resulterende deler. Gitt at slik fargeblanding er tredimensjonal, så er det slik at når den oppstår, påvirker den også farger på motsatte sider i gjenstander med tynne vegger, noe som gjør det til et vesentlig hinder for presis produksjon i stor skala.

Tilbake i 2017 var forskerne i stand til å bevise fordelene av å bruke simuleringer for å optimalisere plassering av materialer under utskrift, noe som sikret en dels optimale skarphet og kontrast. Nå, basert på millioner av testkjøringer, har teamet lagd en forbedret algoritme som er i stand til mer nøyaktig å forutsi hvordan en gitt overflate påvirkes av materialene rundt den, noe som fremskynder hele prosessen.

Eksempler på syntetiske datasett utviklet ved bruk av ‘Monte Carlo’ prediktiv modell. Bilde via Charles University.

En alternativ lysspredningsmodell
Konvensjonelt innebærer det å bruke den såkalte ‘Monte Carlo’ (MC) simuleringsmodellen for å forutsi retningen for veien UV-lys tar. Selv om slike tilnærminger ofte er effektive, kan det ta mange timer å fullføre, selv når du bruker et avansert system for å produsere et veldig lite objekt, og skaper en flaskehals som forhindrer skalerbar produksjon av komplekse fargede deler.

For å omgå dette tok forskerne en datadrevet tilnærming, der de brukte et dypt nevralt nettverk for å simulere produksjonen av et redusert antall prøver, på bekostning av en høyere resultatvarians. Selv om teamets raffinementssløyfe førte til noen anslag av lavere kvalitet, tok det bare 30 timer å modellere et referanseobjekt, mye mindre enn de mer enn 3000 timene som er vanlig for MC-drevet programvare.

Den reviderte algoritmen ble også funnet å generalisere bedre enn eksisterende programmer mellom grunnleggende former og komplekse geometrier, noe som potensielt gjør den ideell for å gjennomføre en bredere forberedelse av 3D-printingen. Dessuten kjørte teamets programvare dobbelt så raskt som før under testing på en single-GPU-arbeidsstasjon, og dermed unngikk man behovet for å seriekople mange datamaskiner, hvilket tidligere var nødvendig for ML-oppgaver.

Faktisk, sammenlignet med eksisterende MJ 3D-arbeidsflyter, viste det seg at forskernes var opptil 300 ganger raskere, og resulterende eksempler inneholdt et tilsvarende kvalitetsnivå som konvensjonelle modeller med en “perspektivmessig skarp” fargetone, selv om oppsettet til slutt gjorde det mindre godt på objekter med tynne vegger.

Forskningsrapporten finner du her.