La lithographie à deux photons (TPL) – une technique de nanoimpression 3D largement utilisée qui utilise la lumière laser pour créer des objets 3D – s'est révélée prometteuse dans les applications de recherche, mais n'a pas encore été largement acceptée par l'industrie en raison des limitations de la production de pièces à grande échelle. et une configuration fastidieuse.

Capable d'imprimer des caractéristiques à l'échelle nanométrique à une très haute résolution, TPL utilise un faisceau laser pour fabriquer des pièces, focaliser un faisceau lumineux intense sur un point précis à l'intérieur d'un matériau photopolymère liquide. Les pixels volumétriques, ou "voxels, " durcir le liquide en un solide à chaque point touché par le faisceau et le liquide non durci est éliminé, laissant derrière lui une structure 3-D. Construire une pièce de haute qualité avec la technique nécessite de marcher sur une ligne fine :trop peu de lumière et une pièce ne peut pas se former, trop et cela cause des dommages. Pour les opérateurs et les ingénieurs, déterminer le bon dosage de lumière peut être un processus manuel laborieux.

Les scientifiques et collaborateurs du Lawrence Livermore National Laboratory (LLNL) se sont tournés vers l'apprentissage automatique pour surmonter deux obstacles clés à l'industrialisation de la TPL :le contrôle de la qualité des pièces pendant l'impression et la détermination du bon dosage de lumière pour un matériau donné. L'algorithme d'apprentissage automatique de l'équipe a été formé sur des milliers d'images vidéo de builds étiquetées comme « non durcies, " "guéri, " et " endommagé, " pour identifier les paramètres optimaux pour les réglages tels que l'exposition et l'intensité laser et pour détecter automatiquement la qualité des pièces avec une grande précision. Le travail a récemment été publié dans la revue Additive Manufacturing.

"On ne connaît jamais les paramètres exacts d'un matériau donné, vous passez donc généralement par ce terrible processus de chargement de l'appareil, imprimer des centaines d'objets et trier manuellement les données, " a déclaré le chercheur principal et ingénieur du LLNL Brian Giera. " Ce que nous avons fait, c'est exécuter l'ensemble d'expériences de routine et créer un algorithme qui traite automatiquement la vidéo pour identifier rapidement ce qui est bon et ce qui est mauvais. Et ce que vous obtenez gratuitement de ce processus est un algorithme qui fonctionne également sur la détection de la qualité en temps réel."

L'équipe a développé l'algorithme et l'a entraîné sur des données expérimentales collectées par Sourabh Saha, un ancien ingénieur de recherche LLNL qui est maintenant professeur adjoint au Georgia Institute of Technology. Saha a conçu les expériences pour montrer clairement comment les changements de dose de lumière affectaient les transitions entre les non durcis, constructions guéries et endommagées, et imprimé une gamme d'objets avec deux types de polymères photopolymérisables à l'aide d'une imprimante TPL disponible dans le commerce.

"La popularité de TPL réside dans sa capacité à construire une variété de structures 3-D arbitrairement complexes, " dit Saha. " Cependant, cela représente un défi pour les techniques traditionnelles de surveillance des processus automatisés, car les structures durcies peuvent sembler radicalement différentes les unes des autres - les experts humains peuvent identifier intuitivement les transitions. Notre objectif ici était de montrer que les machines peuvent apprendre cette compétence. »

Les chercheurs ont collecté plus de 1, 000 vidéos de divers types de pièces construites dans différentes conditions de dosage de lumière. Xian Lee, un étudiant diplômé de l'Iowa State University, passé au crible manuellement chaque image des vidéos, examiner des dizaines de milliers d'images pour analyser chaque région de transition.

En utilisant l'algorithme d'apprentissage en profondeur, les chercheurs ont découvert qu'ils pouvaient détecter la qualité des pièces avec une précision supérieure à 95 % en quelques millisecondes, créant une capacité de surveillance sans précédent pour le processus TPL. Giera a déclaré que les opérateurs pourraient appliquer l'algorithme à un ensemble initial d'expériences et créer un modèle pré-entraîné pour accélérer l'optimisation des paramètres et leur fournir un moyen de superviser le processus de construction et d'anticiper des problèmes tels qu'une surcuisson inattendue dans l'appareil.

"Ce que cela permet, c'est une surveillance qualitative réelle des processus là où il n'y avait pas de capacité à le faire auparavant, " dit Giera, "Une autre caractéristique intéressante est qu'il n'utilise essentiellement que des données d'image. Si j'avais une très grande surface et que je construisais à plusieurs emplacements de construction pour ensuite assembler une pièce maîtresse, Je pourrais en fait enregistrer une vidéo de toutes ces zones, alimentez ces sous-images dans un algorithme et bénéficiez d'une surveillance parallèle."

Dans un esprit de transparence, l'équipe a également décrit des cas où l'algorithme a fait des erreurs dans les prédictions, montrant une opportunité d'améliorer le modèle pour mieux reconnaître les particules de poussière et autres matières particulaires qui pourraient affecter la qualité de la construction. L'équipe a rendu public l'ensemble des données, y compris le modèle, poids d'entraînement et données réelles pour d'autres innovations de la communauté scientifique.

"Parce que l'apprentissage automatique est un domaine tellement évolutif, si nous diffusons les données, ce problème peut bénéficier à d'autres personnes pour le résoudre. Nous avons créé cet ensemble de données de démarrage pour le terrain, et maintenant tout le monde peut avancer, " a déclaré Giera. " Cela nous permet de bénéficier de la communauté plus large de l'apprentissage automatique, qui n'en savent peut-être pas autant sur la fabrication additive que nous, mais qui en savent plus sur les nouvelles techniques qu'ils développent."

Le travail découlait d'un précédent projet de recherche et développement dirigé par un laboratoire (LDRD) sur la lithographie à deux photons et a été achevé dans le cadre d'un LDRD actuel intitulé « Optimisation de la fabrication multimodale accélérée (AMMO) ».