研究人員查爾斯大學的 計算機圖形學集團（CGG）已經開發出一種機器學習（ML）為基礎的技術，可以幫助解鎖高保真彩色三維打印的潛力。

　　通過不斷模擬打印過程，該團隊成功地訓練了一種算法，以迭代地找到限制顏色滲色和提高零件精度的最佳參數。該程序也非常高效，只需要一個 GPU，使其比類似的 AI 方法快 300 倍，同時將打印準備時間從幾十小時減少到幾分鐘。

　　彩色3D打印的速度限制

　　目前，許多材料噴射 (MJ) 3D 打印機能夠生產具有復雜顏色變化的零件，因此它們通常用于重建高度詳細的人工制品和手術模型。為了實現這一點，傳統的 MJ 系統使用紫外線來精確固化半透明基色樹脂的不同混合物，這種減色混合過程為它們提供了相當廣泛的調色板。

　　然而，盡管彩色 3D 打印具有靈活性，但它可能會導致不需要的光學散射，從而影響任何生成部件的清晰度和準確性。鑒于這種滲色是三維的，當它發生時，它還會影響薄壁物體內相對側的顏色，使其成為大規模精確生產的重大障礙。

　　早在 2017 年，研究人員就證明了使用模擬來優化打印過程中材料放置的可行性，從而確保部件的最佳清晰度和對比度。現在，基于數百萬次測試運行，該團隊創建了一種改進的算法，能夠更準確地預測給定表面如何受到周圍材料的影響，從而加快整個過程。

　　另一種光散射模型

　　傳統上，預測紫外線傳播的方向涉及使用所謂的“蒙特卡羅”（MC）模擬模型。盡管此類方法通常很有效，但它們可能需要數小時才能完成，即使使用高端系統來生產非常小的物體，也會造成瓶頸，從而阻止復雜彩色零件的可擴展生產。

　　為了解決這個問題，研究人員采用了一種數據驅動的方法，在該方法中，他們使用深度神經網絡來模擬減少樣本數量的產生，但代價是結果差異更大。盡管該團隊的改進循環導致了一些較低質量的預測，但對參考對象進行建模只需要 30 個小時，遠少于 MC 驅動軟件預計的 3,000 多個小時。

　　還發現修改后的算法在基本形狀和復雜幾何形狀之間比現有程序更好地泛化，可能使其成為進行更廣泛的 3D 打印準備的理想選擇。更重要的是，在單 GPU 工作站上進行測試時，團隊的軟件運行速度是以前的兩倍，避免了組裝以前執行 ML 任務所需的計算機集群的需要。

　　事實上，與現有的 MJ 3D 打印工作流程相比，研究人員的速度提高了 300 倍，所得到的樣本的質量水平與傳統模型相似，顏色“更清晰”，盡管他們的設置最終確實執行了創建薄壁對象時效果較差。

　　研究人員在他們的論文中總結道：“[我們的] 3D 打印管道在質量上與以前的工作相匹配，同時通常快 100 到 300 倍。” “盡管任何數據驅動模型的通用性有限，但該網絡可以很好地泛化到看不見的幾何形狀和材料值。這種穩健性為我們的實際部署提供了解決方案。”