HP 利用 NVIDIA AI 加速金屬 3D 打印

2024 年 7 月 27 日，南極熊獲悉，惠普 (HP) 的 3D 打印部門利用 NVIDIA 的開源人工智能工具 Modulus 成功地優(yōu)化了 3D 打印流程。Modulus 利用物理信息神經網絡 (PINN) 將物理定律整合進機器學習模型中，提高了制造效率和準確性。


惠普利用這項技術開發(fā)了一款名為 Virtual Foundry Graphnet 的軟件工具來預測并優(yōu)化金屬燒結過程。這款工具通過準確預測金屬粉末在 3D 打印過程中的行為來幫助簡化生產流程，制造商可以優(yōu)化生產流程，減少錯誤和缺陷，提高零件的質量。

Virtual Foundry Graphnet 利用圖神經網絡，能夠預測金屬燒結過程中部件的變形——這是一個以顯著變形著稱的關鍵步驟。AI 模型可以快速模擬這些行為，提供精確預測并加速整個過程。


△ 在 HP Metal Jet 打印中模擬復雜的金屬燒結過程對于優(yōu)化產量至關重要

經過良好訓練的金屬燒結神經網絡模型只需幾秒鐘即可預測最終的變形值，使整個過程變得更加迅速高效。此外，通過公開分享其工作成果，惠普幫助其他制造商進行創(chuàng)新和改進，讓先進的 AI 工具對行業(yè)內的所有人受益。

惠普 3D 打印部門在 Virtual Foundry Graphnet 方面取得的創(chuàng)新進展在最近的一篇論文中進行了詳細描述，題為《用于金屬燒結變形預測的 Virtual Foundry Graphnet》。這篇由惠普團隊撰寫的論文討論了圖深度學習的設計與應用，旨在預測金屬燒結過程中部件的變形。研究強調了這一先進模型相比于傳統(tǒng)方法在加快模擬時間方面的優(yōu)勢。


△ 斯坦福龍測試模型

研究人員利用圖深度學習構建了 Virtual Foundry Graphnet 模型，能在體素級別上大幅加速變形模擬，精度達到單個燒結步驟 0.7 微米、完整周期 0.3 毫米。這些進步主要歸功于 AI 模型快速而精確的預測。研究作者包括惠普研究工程師 Rachel Chen、Chuang Gan、Jun Zeng 和 Zijiang Yang，以及 NVIDIA 高級軟件工程師 Mohammad Nabian 和機器學習工程師 Meta Juheon Lee 等。

惠普對開源創(chuàng)新的承諾在其對 NVIDIA Modulus 平臺的貢獻中得到了體現(xiàn)。通過向更廣泛的制造業(yè)社區(qū)開放 Virtual Foundry Graphnet，惠普鼓勵合作并加速物理信息深度學習應用的發(fā)展�；萜諗�(shù)字孿生團隊還為其制造數(shù)字孿生開發(fā)了創(chuàng)新的物理深度學習模型，并將其貢獻給 Modulus 平臺。這種數(shù)字孿生技術使工藝工程師能夠預測和優(yōu)化設計參數(shù)以及工藝控制參數(shù)，從而改善零件質量和制造產出率。


△ 數(shù)字燒結可產生改進的設計，以補償制造過程中引起的零件變形

惠普有著悠久的技術創(chuàng)新歷史，包括最近開發(fā)的 HP Metal Jet，這是一種金屬增材制造系統(tǒng)，能提供工業(yè)級別的吞吐量和質量，以制造超越傳統(tǒng)制造能力的新穎 3D金屬零件。作為數(shù)字孿生項目的一部分，惠普使用 Virtual Foundry Graphnet 來加速預測金屬粉末材料的相變，實現(xiàn)近實時、高保真的金屬燒結過程仿真。

使用 Virtual Foundry Graphnet 的好處十分顯著。它使生產過程更快更高效，這意味著產品可以更快地生產出來，成本也更低。它還能確保產品的高質量。這對于必須滿足嚴格標準并向客戶交付可靠產品的公司來說非常重要。


△ 瞬態(tài)預測金屬燒結過程

惠普 3D 打印軟件組織的杰出技術專家 Jun Zeng 博士表示，“我們的團隊一直在根據(jù)物理原理開發(fā)物理模擬引擎，我們將實驗傳感和計量數(shù)據(jù)用于校準這些物理模型，在充分訓練并優(yōu)化后，模型有了數(shù)量級的速度提升，而且模型可以在筆記本電腦上運行�！�