60次优化，1个完美肾脏：3D打印的AI工艺奇迹

在3D打印领域，如何在保证精度的同时提高效率一直是个难题。

而这个难题的重要突破口就是人工智能/机器学习。

本文分享的这项研究不仅让高精度医疗器官模型的打印变得更加智能和高效，更为整个3D打印行业的未来发展指明了方向。

华盛顿州立大学的研究团队通过巧妙结合机器学习与3D打印技术，经过约60次迭代优化，成功打印出了几何精度达到亚毫米级（DIW技术所限）的高仿真前列腺和肾脏模型。

从多目标优化算法到高级图像处理技术，从精密材料控制到广泛的应用前景，这项研究在多个层面上都展现出了突破性的进展。

让我们一起来看看这个AI结合3D打印的案例有何神奇之处。

Machine Learning与3D打印：一场跨界的智慧碰撞

对于很多3D打印从业者来说，机器学习（Machine Learning，简称ML）可能还是个陌生的概念。

简单来说，ML是人工智能的一个分支，它能让计算机系统通过"学习"大量数据来不断改进自身性能，而无需明确编程。

在这项研究中，研究团队巧妙地将ML中的多目标贝叶斯优化（BO）算法引入3D打印参数优化过程。

AM易道认为，这种结合的核心思路在于：

将3D打印过程中的各项参数（如层高、喷嘴移动速度、挤出压力等）作为输入，将打印时间、几何精度和孔隙率等作为输出目标，让ML算法通过不断学习和优化，找出最佳的参数组合。

本质上，这是一个AI的3D打印工艺工程师的完美流程。

四步循环：ML驱动的智能优化过程

研究团队提出了一个四步循环的优化方法，这个过程堪称ML与3D打印结合的精髓：

1. 参数生成：BO算法根据当前数据生成新的打印参数。

2. 3D打印：使用生成的参数进行器官模型打印。

3. 图像处理：对打印结果进行3D扫描和重建。

4. 结果评估：计算输出目标值并反馈给BO算法。

这个循环过程不断重复，每次迭代都会产生更优的参数组合。研究显示，经过约60次迭代后，打印结果达到了最佳状态。

AM易道提示，步骤3和4极为重要，后文也会提到。

DIW技术：ML精准控制且适合快速验证的3D打印技术

研究团队选择了直接墨水书写（Direct Ink Writing，DIW）技术作为3D打印方法。

DIW技术以其精准的材料沉积控制而闻名，特别适合在学术领域快速验证前沿概念。

在这项研究中，DIW技术的优势得到了充分发挥。AM易道认为，所有材料挤出类的3D打印技术都可以从此文找到灵感。

高级图像处理：英伟达算法进行三维重建并对机器学习反馈

在图像处理阶段，研究团队采用了先进的计算机视觉技术，包括Nvidia的神经辐射场（NeRF）算法来重建3D模型。

这种技术能够从2D图像中精确重建3D结构，为评估打印质量提供了坚实的基础。

NeRF技术的引入是这项研究的一大创新。

重建的步骤可以理解为对于优化结果的快速反馈，重建的3D模型为机器学习算法提供了高质量的反馈数据，使得参数优化更加精准。

多目标优化：EHVI算法的巧妙应用

研究团队使用了预期超体积改进（Expected Hypervolume Improvement，EHVI）作为获取函数，这是一个非常先进的多目标优化技术。

核心算法如下，对技术细节感兴趣的读者可以详细研究：EHVI能够在多个目标之间寻找最佳平衡点，同时在探索（寻找新的可能解）和利用（改进已知的好解）之间取得平衡。

EHVI能够同时考虑打印时间、精度、孔隙率等多个目标，找到最优的折中方案。

这在复杂的3D打印参数优化问题中尤为重要。

帕累托前沿分析：直观展示优化结果

研究团队使用帕累托前沿分析来可视化和理解不同参数组合之间的权衡关系。

帕累托前沿是一组最优解的集合，其中任何一个解都无法在不降低其他目标的情况下提高某一个目标。

这种方法能直观地展示出在不同目标（如打印时间、精度、孔隙率）之间如何取舍。

图中展示了三个关键信息：

1. 超体积变化（图a,b）：随着迭代次数增加，覆盖的目标空间逐渐扩大，表明优化效果不断提升。

2. 帕累托前沿演变（图c,d）：展示了不同迭代阶段的最优解集，反映了算法如何逐步找到更好的参数组合。

3. 最终优化结果（图e,f）：呈现了最终帕累托前沿中的解集及其具体参数值。其中，前列腺模型在第42、46、56次迭代，肾脏模型在第52次迭代获得了最优结果。

   
   

AM易道认为，这种分析方法不仅帮助研究人员理解优化过程，也为实际应用提供了灵活选择。

例如，根据具体需求，可以从最优解集中选择更注重打印速度或精度的参数组合。

优化成果：亚毫米级精度的器官模型

研究团队以前列腺和肾脏两组模型为例，展示了这一技术的强大威力。

通过迭代优化，他们成功将模型的几何精度提高到了亚毫米级别。

当然，这个精度并不高，但主要受DIW技术所限制，从肉眼看上去并没有令人印象深刻。

但文献分享的整个ML+3DP的工作流程，确实在最终打印结果上得到了明显的高效的优化。

从图中可以清晰地看到，随着迭代次数的增加，模型的表面变得更加光滑，细节更加清晰。

模型的初始数据是来自于患者的MRI数据进行的三维重建，一开始重建后的模型还比较模糊和不精确。

AI优化后的结果还是变得质量高了不少。

所以本文中AI的作用还不仅仅是打印的工艺优化那么简单，AM易道认为，AI还在实质上起到了完善医疗模型三维重建质量的重大角色。

AM易道认为，这种高精度的器官模型对于手术规划和医学教育都有巨大价值。它能让医生在手术前更好地了解患者的具体情况，大大提高手术成功率。

延伸阅读：协和医院综述3D打印手术模拟训练：农场主新知

定制化打印材料：精确配方控制

在材料方面，研究团队通过精确控制硅胶密封剂和硅脂的比例（8:4.5），成功调制出了一种定制化的硅胶材料，其杨氏模量达到407.5 kPa，非常接近人体器官组织的力学特性。

值得注意的是，虽然材料配方的确定主要基于传统的材料科学方法，并不是用AI方法调优的材料配方。

但机器学习在优化打印参数以适应这种材料特性方面发挥了关键作用。

这种精确的配方控制对于复制人体组织的力学特性至关重要。它不仅影响模型的触感，还直接关系到打印过程中的流变特性。

通用性与未来展望：不止于医疗模型

研究团队强调，他们开发的多目标BO算法具有良好的适应性和泛化能力。这意味着该算法不仅适用于本研究中的特定材料和器官模型，还可以轻松适应其他材料和应用场景。

AM易道认为，这种泛化能力是该研究最有价值的方面之一。

它为将这种方法应用到更广泛的3D打印领域提供了可能性，包括金属打印、陶瓷打印等。

另外，虽然这项研究主要聚焦于医疗器官模型，但其潜力远不止于此。

AM易道认为，这种ML驱动的优化方法完全可以应用于其他3D打印技术，如熔融沉积成型（FDM）、选择性激光烧结（SLS）等。

核心在于如何快速的进行学习反馈，目前大量研究依赖的核心反馈变量仍然是每一层打印后的图像数据。

AM易道尚不确定此文提供的英伟达NeRF快速三维重建方法能否适用于粉末床架构的3D打印系统。

在金属打印中，参数优化更为关键，因为它直接影响到零件的力学性能和内部结构。

此外，这种方法还可能彻底改变其他需要高精度3D打印的领域，如微流控芯片、柔性电子器件等。

写在最后

华盛顿州立大学研究团队的这项突破性成果，为3D打印技术注入了AI的智慧因子。

通过将机器学习与DIW技术相结合，他们不仅解决了高精度器官模型制造的难题，还为整个3D打印行业的智能化发展提供了案例。

AM易道认为，随着这项技术的不断成熟和推广，我们有理由期待更多令人兴奋的应用场景。

想象一下，在不久的将来，3D打印机可能会变成一个真正的智能工厂。

只需输入所需模型，它就能自主选择最佳参数、材料，并在打印过程中实时调整，最终输出完美的成品。

这将大幅度降低使用门槛，使得3D打印技术能够在更广泛的领域得到应用，向着万亿级市场的方向坚实迈进。

     
延伸阅读：

1. 3D打印"超级合金"承受极端高压下的相变研究
   

2. 3D打印热处理工艺宝典三：铜、钴铬和高熵合金
   

   3D打印热处理工艺宝典二：镍基合金和钛合金
   

   3D打印热处理工艺宝典一：铝合金和钢铁
   

3. 金属3D打印飞秒激光：热影响最小化的精确能量
   

4. 告别铺粉！浆料LPBF金属3D打印的创新启程
   

5. Nature子刊!隔空成型+不用光热的声波3D打印
   

6. 重磅综述：纤维增强复合材料3D打印的全面总结

7. 博士论文分享：钛合金电子束3D打印的工艺研究宝典
   

8. 大尺寸3D打印切片软件开源！美国国家实验室开发

9. Nature正刊重磅！3D打印超弹超强超韧光敏材料
   

10. Nature子刊：全新高强高塑性3D打印铝合金
    

11. 3D打印宝藏软件免费！参数建模多孔微结构神器