医用放射不透明3D打印材料；短纤维制造3D打印；德州奥斯汀全息纳米光刻3D打印；美关岛3D打印产学研中心；图片转换成为G代码

Stratasys在美国推出首款放射不透明3D打印材料RadioMatrix

Stratasys宣布其放射不透明3D打印材料RadioMatrix™现已全面在美国市场推出。

该材料专为高级医学影像教育、设备测试及研究设计，此前仅在欧洲部分项目中限量提供。 

如今，美国的医疗服务机构、影像中心及制造商均可将RadioMatrix™整合到自身工作流程中。

配合RadioMatrix™，同类模型还能复制解剖结构在成像条件下的表现，从而扩展其在教学和研究中的实用性。

该材料的一项关键优势在于能够调节亨氏单位（HU）数值，从而打印出模拟骨骼、灰质、脂肪、静脉或临床扫描中任何特征的结构。

Stratasys与西门子医疗的早期合作显示，RadioMatrix™体模能够匹配人体组织密度，偏差可低至单个亨氏单位。

这一准确性使该材料非常适用于影像教学、病理学研究以及CT协议和成像算法的验证。

Stratasys医疗健康副总裁Erez Ben Zvi表示：

「在美国全面提供RadioMatrix™是推动尖端影像教育和培训的重要一步。我们正在帮助替代传统的体模解决方案和对尸体标本的依赖，转而采用可定制、可重复且可扩展的替代方案。」

在美国，Beaumont医院和CPI等合作伙伴已使用该材料生产脑动脉血管成像模型，用于影像引导手术的培训。

这些初步成果表明，打印的放射不透明解剖结构可以支持更一致和受控的培训环境。

该材料同样适用于需要可靠测试模型的新设备和成像工具研发。制造商及研究人员可以打印出适合其研究的标准化结构，而不再需要等待捐献材料或依赖通用体模。

随着该材料在美国的可及性扩大，预计更多美国机构将采用放射不透明3D打印技术，并加深对数字解剖技术的使用。

Moi Composite的SFM技术革新工业级复合材料3D打印：从模具到耐火部件的高效生产 

在Formnext 2025展会上，Moi Composite以其引人注目的展位成为12.1号馆的焦点，现场展示了一系列大型工业和设计组件，包括巨型复活节岛雕像，突显了其新型混合制造平台（HFP）的技术实力。 

该系统基于创新的短纤维制造（SFM）工艺，采用紫外线激活冷处理技术，能够打印含有高达50%短纤维的乙烯基酯树脂，为大尺寸复合材料增材制造带来了重大突破。 

HFP是一个完全集成的工业级生产生态系统，配备6轴工业机器人，工作单元尺寸达6 x 4 x 3.8米，并可扩展至+2轴工作台。机器人末端搭载专有的S18工具头，可沉积宽度4至8毫米的打印珠，实现短纤维增强热固性复合材料的高通量沉积。

S18末端执行器也可作为独立产品销售，供用户升级现有机器人系统。HFP解决方案还集成了精密铣削功能，无需外部后处理即可生产高精度工业部件。 

新型SFM工艺支持连续生产和高达300 mm/s的快速打印，得益于乙烯基酯树脂的快速固化特性。

材料工程主管Giovanni Minari指出，该技术允许过打印和不同切片策略，充分发挥几何设计自由度，制造极端悬垂结构。 

固化后的热固性复合材料具备高强度、耐热性和优异可加工性，混合HFP系统通过减材后处理实现严格公差和超平滑表面，为喷涂等精加工步骤做好准备。

展会上，Moi进行了公开火焰测试，展示SFM工艺所用乙烯基酯复合材料的高度耐火和化学稳定性。

3D打印部件在1500°C氧燃料火焰下持续一分钟未点燃、无滴落，且自熄，背面温度仅156°C，证明其高热稳定性适用于极端环境。 

德克萨斯大学奥斯汀分校推出全息超表面纳米光刻技术，推动电子封装迈向高速、低耗与可持续生产

德克萨斯大学奥斯汀分校的工程师们正在推动一项名为「全息超表面纳米光刻技术（HMNL）」的新型3D打印方法，目标是以更快速、高效且环保的方式制造半导体芯片的电子封装。

该项目负责人、科克雷尔工程学院沃克机械工程系副教授Michael Cullinan表示：「我们的目标是彻底改变电子器件的封装和制造方式。通过HMNL，我们可以在单一工序中制造出复杂的多材料结构，将生产时间从数月缩短至数天。」

这一技术突破由来自犹他大学、应用材料公司、Bright Silicon Technologies、Electroninks、诺斯洛普·格鲁曼、恩智浦半导体和Texas Microsintering的研究团队共同实现，并获得美国国防高级研究计划局（DARPA）1450万美元的资助。

HMNL技术的核心在于超表面，一种可编码高密度信息的超薄光学掩模。

在光照条件下，这些掩模生成全息图像，将金属-聚合物混合树脂塑造成复杂的三维结构，实现比人类头发丝更精细的细节精度。

与传统电子制造中逐层构建、材料浪费严重的工艺不同，HMNL提供了更快且更可持续的替代方案，简化了生产流程并减少了环境影响。

该技术已通过多个应用原型验证，包括消费电子模块、国防系统可重构电子器件、适用于挑战性空间的电子封装，以及兼具机械与电气功能的主动封装系统。

Cullinan补充道：「这不仅关乎让电子制造更快或更便宜，更在于释放新的可能性。」微尺度增材制造领域近来涌现出多项创新。

例如，剑桥大学、查普曼大学和弘益大学的研究人员联合开发了「快速溶剂交换3D打印（3DPX）」，可生产细至1.5微米的超细纤维，为软体机器人、医疗支架和先进复合材料中的仿生结构提供了可扩展的制造路径。

斯坦福大学的卷对卷连续液界面制造技术（r2rCLIP）进一步展示了微制造的工业化潜力，通过自动化工作流实现了每天高达一百万微尺度颗粒的产量，标志着微打印技术的一次重大飞跃。 

关岛将借ASTRO合作打造太平洋3D打印人才枢纽，产学研模式驱动产业升级

美国应用科学与技术研究组织（ASTRO America）与美国科罗拉多矿业大学和关岛大学近日宣布合作，计划在关岛设立卫星校区，旨在为当地3D打印行业的发展构建教育基础。

这一举措是ASTRO America关岛增材材料与制造加速器计划的一部分，与关岛政府协同推进。

ASTRO America主席Neal Orringer表示，此次合作将顶尖大学与关岛领先机构联结，为岛屿带来顶级工程项目，同时支持美国海军海事工业基地及其他领域的战略劳动力需求。

科罗拉多矿业大学在机械与制造工程领域的专业优势，结合关岛大学的基础课程，将为学生提供世界级指导，以重塑全球国防与工业生产技术。

该学术模式允许学生在关岛大学完成前两年的工程入门课程，后两年由科罗拉多矿业大学教师在本岛授课，专注于增材制造和先进生产方法。

这标志着关岛及太平洋地区的学生首次无需离岛即可获得四年制机械工程学位。 

学生有机会在关岛获得科罗拉多矿业大学学位，而大学将受益于对最先进制造设施的投资，以及与海军和太平洋支持产业的更紧密联系。 

关岛大学校长Anita Borja Enriquez强调，该项目扩大了本地获取优质教育的机会，并直接支持快速增长的先进制造和增材技术等领域的劳动力发展。

美国海军目前正评估由ASTRO America领导一项1200万美元的扩展计划，以支持课程推出、实验室开发、设备采购和学生招募。

这是在已有500万美元投入基础上的进一步扩展。 学术规划已在推进中，首批学生预计于2026年秋季开学。

该项目旨在服务民用和军事相关学习者，将关岛定位为太平洋地区新兴的创新、制造和技术人才中心。

颠覆传统流程！Image2Gcode直接让2D图像生成可打印G代码 

卡内基梅隆大学的研究团队近日公布了一项突破性技术—Image2Gcode，该深度学习框架能够直接将二维图像转化为可立即用于3D打印的G代码，彻底绕过了传统流程中依赖CAD模型与切片软件的环节。 

这项发表于arXiv的研究基于扩散-变换器模型架构，实现了从草图或照片到可执行增材制造指令的端到端转换，在视觉表达和实际制造之间建立了前所未有的直接桥梁。

传统增材制造流程需经历CAD建模、网格转换与切片等多个步骤，每一步都需要专业知识且迭代效率较低。

Image2Gcode采用基于去噪扩散概率模型（DDPM）的直接视觉—指令路径，从图像直接生成结构化的挤出轨迹，跳过了STL和中间文件处理环节。 

该系统可接受手绘草图或实物照片作为输入，通过提取视觉特征、解析几何边界并合成连续挤出路径，显著简化了原型制作、零件修复和分布式制造流程，为非专业用户大幅降低了操作门槛。

Image2Gcode集成了预训练的DinoV2-Small视觉变换器与一维U-Net去噪架构，通过多尺度交叉注意力进行联合调节。

该模型使用包含超10万组对齐STL-G代码对的Slice-100K数据集进行训练，能够有效学习几何形状与运动之间的层次关系。 

实验结果显示，在Slice-100K验证集上Image2Gcode生成的刀具路径具备几何一致性和可制造性。实际打印件展现出良好的层间结合、精确边界与光滑表面，质量与传统切片器结果相当。

该系统成功复现了直线、蜂窝和对角线等复杂填充结构，且无需依赖基于规则的编程。

在面对真实照片和手绘草图等训练分布以外的输入时，该系统通过预处理提取形状轮廓，仍能生成连贯且可打印的路径，制造结果保持了几何保真度和功能完整性。 

定量分析表明，与启发式切片器基线相比，Image2Gcode将平均移动距离减少2.4%，路径效率得到提升，且未影响打印质量或机械强度。

研究团队提出未来将扩展至分层三维生成，通过全局模型定义关键截面后由Image2Gcode逐层细化，并计划增加对填充密度、机械性能与材料使用的调控功能。

该框架有望与多智能体系统（如LLM-3D Print）结合，实现自适应过程控制与缺陷检测。

若进一步接入基于语言的交互界面，用户将可通过文字指令指定打印目标，系统则会自动生成相应的优化G代码。 

Image2Gcode通过融合扩散模型合成、预训练视觉感知与参数归一化技术，为意图驱动的智能增材制造奠定了基础，推动实现从草图或照片到实体零件的全数字化无缝工作流程。