Los científicos e ingenieros están constantemente desarrollando nuevos materiales con propiedades únicas que se pueden usar para la impresión 3D, pero descubrir cómo imprimir con estos materiales puede ser un enigma complejo y costoso.
A menudo, un operador experto debe usar prueba y error manual, posiblemente haciendo miles de impresiones, para determinar los parámetros ideales que impriman consistentemente un nuevo material de manera efectiva. Estos parámetros incluyen la velocidad de impresión y la cantidad de material que deposita la impresora.
Los investigadores del MIT ahora han utilizado inteligencia artificial para agilizar este procedimiento. Desarrollaron un sistema de aprendizaje automático que utiliza la visión por computadora para observar el proceso de fabricación y luego corregir los errores en la forma en que maneja el material en tiempo real.
Usaron simulaciones para enseñarle a una red neuronal cómo ajustar los parámetros de impresión para minimizar el error y luego aplicaron ese controlador a una impresora 3D real. Su sistema imprimió objetos con mayor precisión que todos los demás controladores de impresión 3D con los que lo compararon.
El trabajo evita el proceso prohibitivamente costoso de imprimir miles o millones de objetos reales para entrenar la red neuronal. Y podría permitir a los ingenieros incorporar más fácilmente nuevos materiales en sus impresiones, lo que podría ayudarlos a desarrollar objetos con propiedades eléctricas o químicas especiales. También podría ayudar a los técnicos a realizar ajustes en el proceso de impresión sobre la marcha si las condiciones ambientales o del material cambian inesperadamente.
«Este proyecto es realmente la primera demostración de la construcción de un sistema de fabricación que utiliza el aprendizaje automático para aprender una política de control compleja», dice el autor principal Wojciech Matusik, profesor de ingeniería eléctrica y ciencias de la computación en el MIT, quien dirige el Grupo de Fabricación y Diseño Computacional (CDFG ) dentro del Laboratorio de Ciencias de la Computación e Inteligencia Artificial (CSAIL). «Si tiene máquinas de fabricación que son más inteligentes, pueden adaptarse al entorno cambiante del lugar de trabajo en tiempo real, para mejorar los rendimientos o la precisión del sistema. Puede sacar más provecho de la máquina».
Los coautores principales son Mike Foshey, ingeniero mecánico y director de proyectos en el CDFG, y Michal Piovarci, postdoctorado en el Instituto de Ciencia y Tecnología de Austria. Los coautores del MIT incluyen a Jie Xu, estudiante de posgrado en ingeniería eléctrica y ciencias de la computación, y Timothy Erps, ex asociado técnico de CDFG. La investigación se presentará en la conferencia SIGGRAPH de la Association for Computing Machinery.
Selección de parámetros
Determinar los parámetros ideales de un proceso de fabricación digital puede ser una de las partes más costosas del proceso porque se requiere mucho ensayo y error. Y una vez que un técnico encuentra una combinación que funciona bien, esos parámetros solo son ideales para una situación específica. Tiene pocos datos sobre cómo se comportará el material en otros entornos, en hardware diferente o si un nuevo lote exhibe propiedades diferentes.
El uso de un sistema de aprendizaje automático también está lleno de desafíos. Primero, los investigadores necesitaban medir lo que sucedía en la impresora en tiempo real.
Para ello, desarrollaron un sistema de visión artificial utilizando dos cámaras dirigidas a la boquilla de la impresora 3D. El sistema ilumina el material a medida que se deposita y, en función de la cantidad de luz que pasa, calcula el grosor del material.
«Puede pensar en el sistema de visión como un par de ojos que observan el proceso en tiempo real», dice Foshey.
Luego, el controlador procesaría las imágenes que recibe del sistema de visión y, en función de cualquier error que detecte, ajustaría la velocidad de avance y la dirección de la impresora.
Pero capacitar a un controlador basado en una red neuronal para comprender este proceso de fabricación requiere una gran cantidad de datos y requeriría hacer millones de impresiones. Entonces, los investigadores construyeron un simulador en su lugar.
Simulación exitosa
Para entrenar a su controlador, utilizaron un proceso conocido como aprendizaje por refuerzo en el que el modelo aprende a través de prueba y error con una recompensa. El modelo se encargó de seleccionar los parámetros de impresión que crearían un determinado objeto en un entorno simulado. Después de mostrarle el resultado esperado, el modelo fue recompensado cuando los parámetros que eligió minimizaron el error entre su impresión y el resultado esperado.
En este caso, un «error» significa que el modelo dispensó demasiado material, colocándolo en áreas que deberían haberse dejado abiertas, o no dispensó suficiente, dejando espacios abiertos que deberían rellenarse. A medida que el modelo realizó más impresiones simuladas , actualizó su política de control para maximizar la recompensa, haciéndose cada vez más precisa.
Sin embargo, el mundo real es más complicado que una simulación. En la práctica, las condiciones suelen cambiar debido a ligeras variaciones o ruidos en el proceso de impresión. Entonces, los investigadores crearon un modelo numérico que se aproxima al ruido de la impresora 3D. Usaron este modelo para agregar ruido a la simulación, lo que condujo a resultados más realistas.
«Lo interesante que descubrimos fue que, al implementar este modelo de ruido, pudimos transferir la política de control que estaba puramente entrenada en simulación al hardware sin entrenamiento con ninguna experimentación física», dice Foshey. «No tuvimos que hacer ningún ajuste fino en el equipo real después».
Cuando probaron el controlador, imprimió objetos con mayor precisión que cualquier otro método de control que evaluaron. Se desempeñó especialmente bien en la impresión de relleno, que consiste en imprimir el interior de un objeto. Algunos otros controladores depositaron tanto material que el objeto impreso se hinchó, pero el controlador de los investigadores ajustó la ruta de impresión para que el objeto permaneciera nivelado.
Su política de control puede incluso aprender cómo se propagan los materiales después de ser depositados y ajustar los parámetros en consecuencia.
«También pudimos diseñar políticas de control que podían controlar diferentes tipos de materiales sobre la marcha. Por lo tanto, si tenía un proceso de fabricación en el campo y deseaba cambiar el material, no tendría que volver a validar el proceso de fabricación. Podría simplemente cargar el nuevo material y el controlador se ajustaría automáticamente», dice Foshey.
Ahora que han demostrado la eficacia de esta técnica para la impresión 3D, los investigadores quieren desarrollar controladores para otros procesos de fabricación. También les gustaría ver cómo se puede modificar el enfoque para escenarios en los que hay varias capas de material o se imprimen varios materiales a la vez. Además, su enfoque asumió que cada material tiene una viscosidad fija («sabor a jarabe»), pero una iteración futura podría usar IA para reconocer y ajustar la viscosidad en tiempo real.
Otros coautores de este trabajo incluyen a Vahid Babaei, quien dirige el Grupo de fabricación y diseño asistido por inteligencia artificial en el Instituto Max Planck; Piotr Didyk, profesor asociado de la Universidad de Lugano en Suiza; Szymon Rusinkiewicz, profesor David M. Siegel ’83 de informática en la Universidad de Princeton; y Bernd Bickel, profesor del Instituto de Ciencia y Tecnología de Austria.
El trabajo fue apoyado, en parte, por el programa FWF Lise-Meitner, una subvención inicial del Consejo Europeo de Investigación y la Fundación Nacional de Ciencias de EE. UU.
