快訊

亞利桑那州立大學的研究團隊正試圖用 中最棘手的難題—如何預測和控制材料性能。

據ASU新聞6月11日報道，亞利桑那州立大學計算與增強智能學院的研究人員獲得了美國國家科學基金會的資助，開發全新的 ，讓 變得更快更可靠。

不過我們目前只能基于ASU的公關稿件了解這個項目，具體的研究細節和Grant申請材料并未獲取。

這個名為"CompAM：實現計算增材制造"的項目，瞄準的是一個看似簡單卻極其復雜的目標：讓機器能夠預測金屬在中的形成方式。

淬火的數字化AI理解

計算機科學與工程教授阿維拉爾·什里瓦斯塔瓦用了一個絕妙的比喻來解釋一個問題。

傳統鐵匠通過不同的 來控制金屬性能：

白熱的金屬扔進水里快速冷卻，能造出堅硬的刀劍；而用沙子緩慢冷卻，則能得到更有韌性的材料。

"當我們進行金屬打印時，金屬的質量實際上取決于冷卻曲線，"他說道，"我們想要控制，這樣就能實現想要的性能。"

這個道理聽起來簡單，但在現代 中卻變得極其復雜。

我們發現，微小的溫度變化或時間調整都可能極大改變材料的性能表現。

這就是為什么的精確控制變得如此關鍵。

正如傳統鐵匠掌握水淬與沙淬的區別一樣，現代3D打印也需要這種精確的工藝控制。

60天仿真的痛點

為了展示這項技術，研究團隊選擇挑戰的目標：

用316L不銹鋼3D打印一個五軸的海軍螺旋槳。

這個選擇很能展示能力：螺旋槳體積大、幾何結構復雜、精度要求高—意味著打印工藝控制要求的也高。

他們的目標是將金屬晶粒尺寸控制在1微米以下，并且通過這種精度改善材料性能，但也帶來了巨大的計算挑戰。

使用傳統方法，僅僅為海軍螺旋槳運行一組的仿真就需要超過60天，還得用上1000核的超級計算機。

我們不禁想象，這種時間成本在工業應用中簡直是令人頭疼。

當然，這個60天的數據也是來自ASU的官方說法，具體的計算復雜度和瓶頸細節我們還無法深入了解。

物理定律與AI的結合

研究團隊宣稱的解決方案頗為巧妙：

構建一個 ，能夠預測金屬內部結構在3D打印過程中的形成過程。

"對于許多過程，實際上已經有很多研究，"什里瓦斯塔瓦解釋說，"物理學只是現實世界中遵循的一套規則。

我們正在做的是將這些方程與數據驅動學習相結合，讓系統學得更好更快。"

據稱，這個AI系統的聰明之處在于，它不需要龐大的數據量或復雜的數學運算。

人工智能會在學習過程中識別應該重點關注的重要數據點，并且能夠定義材料中哪些區域需要更詳細的關注，跳過那些在3D打印過程中變化不大的部分。

設備配置

根據ASU的報道，團隊將使用ASU創新中心新采購六軸機械臂和激光器—來創建大型海軍螺旋槳，并將AI預測的微觀結構與實際形成的內部結構進行比較。

從ASU提供的圖片上來看，選擇的3D打印技術可能為LMD激光送粉增材制造技術，類似視頻內的技術。

不過，具體的驗證方法、測試標準和成功指標，我們暫時還看不到更詳細的技術路線圖。

開源策略的深遠考量

AM易道認為，這個項目最值得我們關注的是研究團隊的開源策略。

據ASU報道，他們計劃將軟件和工具免費提供，幫助其他領域的研究人員加速自己的仿真工作。

當然，開源的具體范圍、時間表和技術細節，目前的公開信息還比較有限。

從60天到幾小時的仿真時間壓縮，聽起來確實很有吸引力。

當過程工藝控制遇上算法優化，這種結合確實可能帶來新的突破。

但我們也要看到，基于目前ASU提供的信息，很多關鍵問題還沒有答案：

AI預測的準確度如何？實際的計算加速比例是多少？工業級應用還需要多長時間？這些問題的答案，或許需要等待更多的研究成果和同行評議。

企業合伙人計劃：

讀者提示：

添加amyidao加入讀者交流群（備注加群），

，并與AM易道同頻讀者共同探討3D打印的一切

免責聲明：AM易道與文中提到公司尚不存在任何形式的商業合作、贊助、雇傭等利益關聯。AM易道圖片視頻來自于網絡，僅作為輔助閱讀之用途，無商業目的。權歸原作者所有，如有任何侵權行為，請權利人及時聯系，我們將在第一時間刪除。本文圖片版權歸版權方所有，AM易道水印為自動添加，輔助閱讀，不代表對該圖片擁有版權，如需使用圖片，請自行咨詢版權相關方。AM易道文章不構成任何投資建議，AM易道不對因使用本文信息而導致的任何直接或間接損失承擔責任。