企業的發展需要建立在通往成功的戰略之上，而戰略需要建立在對行業的認知上，行業認知是企業發展的核心競爭力。Relativity Space 的創始人Tim Ellis有一個精湛的洞見，他認為市場上普遍對3D 打印沒有真正了解的是，3D打印對制造的顛覆性實際上更像是從燃氣內燃機過渡到電動，或從內部部署服務過渡到云，3D打印是一項很酷的技術，但更重要的是，3D打印實際上是軟件和數據驅動的自進化智造技術。

         根據德國ACAM亞琛增材制造中心，3D打印企業在全世界范圍普遍來說并沒有實現很好的盈利，一個關鍵點是從應用的產業化角度來看，可以實現盈利的制造模式應該是具有經濟效益的數字驅動的端到端的制造工藝鏈為核心，而當前3D打印陷入在一個兩難的境地，往往是當規模擴大的時候，隨之而來的生產成本以級數級別的增加，這反過來使得要實現盈利成為非常具有挑戰的事情。

除了對生產工藝的預測與控制，3D科學谷的市場研究發現數字驅動體現在多個層面上，其中一個層面是以數字化的方式描述材料結構并預測材料性能。

那么如何用一種節約時間和算力的方式來描述3D打印的復雜材料結構，這也是一種可以構建核心競爭力的認知能力。

人工智能+3D打印

      根據《AI未來進行式》，只有當業界預見到一些高價值的應用能夠落地時，那些與之相關的耗資巨大的技術才會有機會不斷發展、走向成熟。如果一種技術能解決某種特別關鍵的需求，一些公司往往愿意為該技術在發展初期的巨額投入甚至虧損買單，以換取后期依靠這種技術進行擴張、獲取更高利潤的可能性。不過根據3D科學谷的市場觀察，目前，業界更多愿意承擔巨大投入的通常來說是科研機構，在國家投入的推動下，科研機構在推動3D打印成為軟件和數據驅動的自進化智造技術方面獲得了長足的進步。

https://www.sciencedirect.com/science/article/pii/S2589152923003034?dgcid=author

 生成式人工智能描述材料

近日，ORNL橡樹嶺國家實驗室通過一系列研究獲得了數字材料增材制造方面的新見解，可以利用生成式人工智能模型來有效地生成材料結構的真實數字實現，從而實現更準確的性能預測。

計算模型是未來材料的開發、定制、鑒定和認證所需的重要工具。決定組件性能的材料屬性是由跨多個長度尺度的基礎材料結構驅動的。細觀尺度特征，例如晶粒尺寸、晶粒形狀、晶體結構和形態各向異性，極大地影響聚集體力學行為和局部晶粒尺度響應。晶體塑性有限元模型通過晶粒尺度結構的顯式表示來捕獲關鍵的細觀物理現象。目前的標準描述符，例如晶粒尺寸、縱橫比等不足以描述增材制造材料中顯微照片結構的復雜空間排列。因此，需要建立更靈活的生成模型來合成真實的數字表示。

人工智能+3D打印
© 3D科學谷白皮書

受物理啟發的方法，例如動力學蒙特卡羅算法、元胞自動機和相場方法，可以通過凝固物理的近似來實現細觀尺度的生成，然而，這些方法需要過程模擬，這可能會產生大量的計算費用。

相反，替代方法側重于根據經驗生成模擬關鍵統計結構描述符的結構。針對特定晶體結構和晶粒形態的合成多晶聚集體存在多種方法，例如，Dream3D 是一種無處不在的工具，它利用許多統計描述符（晶粒尺寸、形狀、方向、晶體結構等）來生成合成多晶實現。但是，某些材料確實表現出更復雜的空間方向模式。

值得注意的是，最近的一項工作實現了一種生成兩相微觀結構的方法，該框架是在 Tensorflow 中實現的，其中包括自動微分，并且能夠極其有效地優化目標統計數據。概率方法，例如將微觀結構處理為馬爾可夫隨機場，也使得能夠生成復雜的數字微觀結構。然而，這些方法假設結構行為是固定的，對于增材制造材料這些復雜結構的合成需要開發更靈活的生成模型。

最近的科研努力利用了現代機器學習方法的力量來生成合成微結構。目前，生成對抗網絡（GAN）在該領域占據主導地位。這些網絡已被證明對于生成三維多相微結構非常有效。然而，GAN 很難訓練，并且容易受到模式崩潰等問題的影響。當生成器模型學會僅生成一類真實的圖像時，就會發生模式崩潰。

針對以上問題與挑戰，ORNL橡樹嶺國家實驗室提出了一種用于生成式機器學習擴散概率模型，使用該模型生成的微觀結構的方法很有前途，因為不需要識別或定義描述微觀結構的“特征”；只需提供網絡將模仿的示例。這一點很重要，例如可用于描述增材制造所產生目前不易生成的異質結構的微結構。雖然演示相對簡單，但該方法的可行性令人興奮，因為訓練數據的增加和架構的擴展應該會進一步改善結果。未來的實現還可以通過統計值描述符的條件來包括更多的“靈活性”，例如 晶粒尺寸、空間統計、晶體織構等。

 首次考慮單相多晶

通過機器學習擴散概率模型，ORNL橡樹嶺國家實驗室正在研究復雜的增材制造顆粒結構的變形行為問題，ORNL橡樹嶺國家實驗室的數值工作流程是以數字方式生成這些結構，然后使用物理模型模擬它們的特性。

ORNL橡樹嶺國家實驗室的工作是第一次考慮單相多晶的產生。這項工作是一個概念驗證，證明了使用這些新型生成模型來數字合成晶粒尺度結構的可行性。此功能對于3D打印-增材制造材料特別有用，因為晶粒結構很復雜并且很難以數字方式生成。

多晶材料的精確微觀機械模擬需要對晶粒尺度微觀結構進行真實的數字表示。ORNL橡樹嶺國家實驗室的這項工作演示了使用生成擴散概率模型來合成單相多晶實現。該模型表現良好，能夠產生真實的微觀結構，不僅包括簡單的等軸結構，還包括表現出更復雜空間排列的結構。通過擴大架構對更多樣化的數據集進行訓練，可能有助于開發能夠合成更復雜的微觀結構特征的未來模型。

論文：
《Digital polycrystalline microstructure generation using diffusion probabilistic models》

作者：Patxi Fernandez-Zelaia, Jiahao Cheng, Jason Mayeur, Amir Koushyar Ziabari, Michael M. Kirka
單位：Manufacturing Science Division, Oak Ridge National Laboratory, Oak Ridge, TN, United States
Electrification & Energy Infrastructure Division, Oak Ridge National Laboratory, Oak Ridge, TN, United States

(責任編輯：admin)

• 重磅：AI開源大風刮到自動
• 增材制造助力半導體產業：
• 非粉末床金屬增材制造綜述
• 生物3D打印載細胞微球治療
• 突破：特種鋼細粉收得率達
• 賦能綠色能源裝備長效運行

• ·重磅：AI開源大風刮到自動化3D模型生成
• ·增材制造助力半導體產業：優化設計、提
• ·非粉末床金屬增材制造綜述：技術與挑戰
• ·生物3D打印載細胞微球治療外周血管疾病
• ·突破：特種鋼細粉收得率達65%，年出貨
• ·賦能綠色能源裝備長效運行，中科煜宸雙
• ·綠激光與電子束對比：銅金屬3D打印技術
• ·高分辨率3D打印活性酶催化載體，通過精