这个2021年3D打印行业大奖入围名单现在开放投票，直到10月20日。请在这里投票。
的研究人员李海大学宾西法尼亚州的一家公司开发了一种新的基于机器学习的方法，根据结构相似性将材料组分类在一起。
该团队认为这是此类研究的第一次，他们使用人工神经网络在一个包含超过2.5万张材料显微图像的庞大数据库中识别结构相似性和趋势。这项技术可以用来发现新开发材料之间以前未发现的联系，甚至可以发现结构和性能等相关因素，潜在地从而为3D打印等行业带来了一种新的计算材料开发方法。
该研究的主要作者约书亚·阿加尔（Joshua Agar）描述了该模型检测结构对称性的能力是该项目成功的基石。他说：“我们工作中的一个新奇之处是，我们建立了一个特殊的神经网络来理解对称性，并将其用作特征提取器，使其更好地理解图像。”
结构与性能的关系
在材料研究中，了解材料的结构如何影响其性能是一个关键目标。然而，由于结构的复杂性，目前还没有广泛使用的标准来可靠地确定材料的结构将如何影响其性能。随着机器学习技术的兴起，人工神经网络已经证明自己是这一应用的一个潜在工具，但琼脂仍然认为有两个主要的挑战需要克服。
首先，材料研究实验产生的绝大多数数据从未经过机器学习模型的分析。这是因为生成的结果通常以显微成像的形式，很少以结构化和可用的方式存储。结果也往往不会在实验室之间共享，当然也没有一个可以轻松访问的集中式数据库。这是一般材料研究中的一个问题，但由于更大的利基，在添加剂制造业中更是如此。雷电竞充值
第二个问题是，神经网络在学习如何识别结构对称性和周期性（即材料结构的周期性）方面不是很有效。由于这两个特性对材料研究人员至关重要，因此使用神经网络到目前为止一直是一个巨大的挑战。
基于机器学习的相似性预测
Lehigh的新型神经网络设计用于解决Agar描述的两个问题。除了能够理解对称性外，该模型还能够搜索非结构化图像数据库，以识别趋势并预测图像之间的相似性。它是通过采用一种称为统一流形近似和投影（UMAP）的非线性降维技术来实现的。
琼脂解释说，这种方法使数据的高层结构对团队来说更容易理解:“如果你训练一个神经网络，结果是一个向量，或一组数字，是特征的紧凑描述符。这些特征有助于对事物进行分类，从而获得一些相似性。尽管如此，在空间上产生的东西仍然相当大，因为你可能有512或更多不同的功能。所以，你想把它压缩到一个人类可以理解的二维或三维空间。”
里海大学的研究小组对模型进行了训练，使其包含对称感知特征，并将其用于一组非结构化的25133张压响应力显微镜图像，这些图像收集于5年的时间里加州大学伯克利分校. 因此，他们能够成功地根据结构将类似材料分组在一起，为更好地理解结构-性能关系铺平了道路。
最终，该工作展示了神经网络与更好的数据管理相结合，可以加速增材制造和更广泛的材料界的材料开发研究。雷电竞充值
研究的更多细节可以在题为“基于对称性的材料显微镜递归图像相似性研究”。
机器学习的预测能力已经开始被运用到增材制造的很多方面。雷电竞充值的研究人员阿贡国家实验室和德克萨斯农工大学以前已经开发了一种创新的方法三维打印零件的缺陷检测. 利用实时温度数据和机器学习算法，科学家们能够在热历史和地下缺陷的形成之间建立关联。
在其他地方，在商业领域，工程公司英国与3D打印机器人专家合作加法自动化发展基于深度学习的后处理技术用于金属3D打印部件。这种合作关系涉及使用协作机器人（COBOT）和深度学习算法，自动检测和移除整个支撑结构。
订阅3D打印行业通讯查看增材制造的最新消息。雷电竞充值你也可以通过跟踪我们来保持联系啁啾喜欢我们脸谱网，并调到3D打印行业YouTube频道.
正在寻找增材制造的职业生涯?雷电竞充值访问3D打印作业行业中的角色选择。
特征图像显示了使用自然图像和对称感知特征的umap投影的比较。图片来自利哈伊大学。
