江蘇雷射聯盟導讀：來自勞倫斯利弗莫爾國家實驗室的研究人員採用機器學習的辦法攻克了雙光子光刻（two-photon lithography (TPL)）過程中進行工業化生產中的重大障礙：發展並發布了基於機器學習的雙光子光刻技術的基本數據；實現了基於機器學習的自動探測加工所需要的光能量；在雙光子光刻過程中可以實現自動的進行質量探測；所得結果測試表明質量探測精度達到95%，響應時間≤2ms。這一成果發表在近期發表的期刊《Additive Manufacturing》上。
研究成果的亮點：
發展並發布了基於機器學習的雙光子光刻技術的基本數據；實現了基於機器學習的自動探測加工所需要的光能量；在雙光子光刻過程中可以實現自動的進行質量探測；所得結果測試表明質量探測精度達到95%，響應時間≤2ms。
圖1 研究成果的示意圖
圖解：勞倫斯利弗莫爾國家實驗室（Lawrence Livermore National Laboratory，LLNL）的研究人員採用機器學習的辦法攻克了雙光子光刻（two-photon lithography (TPL)）過程中進行工業化生產中的兩大重大障礙：在列印過程中檢測產品的質量並確定列印特定材料所需要的光的能量。該研究團隊發展的機器學習算法在雙光子列印過程中訓練了成千上萬套視頻圖像來建立識別參數設置如輻照時間和雷射能量密度等參數設置的問題，並自動實現高高精度的質量探測。
圖2 雙光子光刻列印時用於收集視頻的實驗裝置示意圖。雷射閾值通過掃描速度和雷射強度來實現
雙光子光刻（TPL）列印技術是一種製造三維納米尺度製品的增材製造技術。雙光子光刻應用的一大障礙就是需要經歷乏味的且耗費巨大人力的過程來獲得適合的光輻照能量：即直寫速度和雷射能量密度以在較大的範圍內的光固化聚合物中找到適宜的誘導光聚合參數。另外一個巨大的挑戰就是在列印製造過程中的在線監控。在本文的研究工作中，研究人員採用機器學習（ML）模型的辦法來加速識別優化光輻照能量的參數的過程並自動探測產品質量。
研究人員通過操縱在不同光能量輻照條件下不同的製品所需要的參數來實現控制，通過機器學習來識別相應的視頻圖像，進而實現製品的質量探測。機器學習的過程是建立在不同的樹脂和在空間分布的數據訓練的基礎上實現的。研究結果也表明機器學習可以實現產品的質量探測且準確率達到95.1%。響應時間為毫秒級。我們同時評估了製品的失效類型和識別了兩種不同的操作模型：參數優化和部件質量探測。最後不能不提的是，我們同時對外發布了這一數據以期對整個行業的發展起到推動作用。我們發展的這一策略：參數優化和部件質量對雙光子光刻的工業應用至關重要，其應用價值不僅僅限於雙光子光刻，同時對其他增材製造過程中所面臨的同樣的問題，在工業化應用中也同樣適用。
圖3 樣品的框架形貌特徵揭示不同的光聚合物在不同的結構設計和不同列印材料時的形貌
雙光子光刻是一種非常有前途的增材製造技術，在使用光聚合物製造微米級別特徵的任意形狀的複雜的微米尺度的三維物體非常有優勢。儘管這一製造過程是一種光增材製造技術，雙光子製造技術的精細程度要高於聚焦的光製造技術。這一亞衍射能力是非線性雙光子吸收過程在高能量密度的雷射進行聚合時的焦平面所產生的結果。不同的研究學者已經充分利用雙光子光刻技術的優勢來製造功能性的微納尺度的3D結構，如光子晶體、微機械、電化學界面、生物支架、小型化光學器件、機械超材料等。雙光子光刻最典型的應用是掃描聚焦的雷射光斑在聚合物上，不斷地重疊搭接微米尺度的體積像素而製造成3D結構的過程。這一過程見示意圖 2。
雙光子光刻的工藝表明雷射的能量閾值處於輸出參數當中的一個比較狹窄的工藝窗口。儘管這一工藝窗口的表現行為從數值上可以進行很好的理解，選擇適宜的列印參數是一種耗時和費力的工程，需要對實驗不斷的進行反覆迭代。這一過程使得雙光子列印只能適合在實驗室裡進行應用而不適合工業生產中的大規模的應用需求。在這裡，我們為大家展示了如何加速這一工業進程和利用機器學習實現雙光子列印過程中的自動進行參數選擇，進而自動識別列印狀態製造的產品是失效品還是成功的製品。
圖4 當標示的框架用於產生結構層次的視頻標籤，採用算法1時的啟發式標記
在雙光子光刻列印中成功的製品是指將光敏聚合物從液相實現到固相的固化轉變，而列印失效則是指要麼製品受到損傷、要麼固化不足（良）。固化不足（良）發生在雷射能量低的時候，而製品受到損傷則是雙光子光刻時雷射能量過高而造成光敏材料的沸騰或損傷。理想的固化發生在雷射能量剛好位於以上兩種情況的中間。雷射能量是指雷射的強度和雷射在特定點停留的時間。對任一AM技術來說，當加工材料發生改變時，其所需要的雷射能量數值將發生相應的改變。比較有意思的是，當列印的尺寸形狀發生了改變，雷射列印所需要的能量閾值也會發生改變。因此，當列印的對象，光聚合物材料發生了改變或列印對象的結構發生了改變，都需要開展相應的實驗來確定相應的窗口值。簡而言之，就是要手動的來檢查視頻圖像並從大量的可變參數條件下列印的製品中選取未固化、固化和列印受到損傷的結果及相應的得參數。
圖5 CNN-LSTM 模型的結構
利用機器視覺的辦法來匹配圖像同預先設計好的模板來進行比對，以確定是否是成功的控制策略，早某些製造工藝中已經成為一個標準的質量控制手段。然而，這種匹配的模式對於雙光子光刻列印技術就不怎麼匹配了，這是因為並沒有標準的模板作為未固化和損傷情形的參考標準。為了很好地解決在雙光子列印過程中收集到的列印參數進行訓練，然後通過深度學習算法來自動地將加工的結果進行分類。這一分類對工藝參數優化和通過自動識別以實現實時監控至關重要。同時機器學習已經在大多數地AM系統中得到了應用，將應用於過程監控和質量控制。
機器學習算法地分類，如決策樹和卒算法已經應用於不同的AM系統中並取得了有意義的結果。如已經有一種框架工作利用K均值簇和隨機森林的手段來進行粉末床的雷射列印過程中的層的質量分類。另外，一種結合Naive-Bayes的分類法和決策樹的辦法來依據模擬結果的圖像來實現缺陷的識別。最近，深度學習技術則用於AM技術中。深度革新的人工神經網絡（CNN）則用於探測和調整列印過程中的參數調整的反饋。在粉末床雷射列印過程中，CNN則通過監督和半監督的形式進行訓練，以預測離線測量結果，如通過視頻數據來獲得軌跡的寬度。因此，多尺度CNN技術依據粉末鋪展的異常用於探測和對不同的缺陷進行分類。
圖6 CNN-LSTM模型的最佳表現 的混淆矩陣
在本文中，研究人員發展了一種標杆式的視頻數據來區分未固化、固化和損傷的工藝參數結果，這通過收集原始的雙光子光刻視頻來實現。這一結果發表在近期出版的期刊《Additive manufacturing》上。
圖7 從所有的光聚合結構中提取的測試數據中錯誤的分類分類的子序列
文章來源：Automated detection of part quality during two-photon lithography via deep learning，Additive Manufacturing,Volume 36, December 2020, 101444，