4D神经场中的正则化插值优化3D打印几何保真度

《Advanced Engineering Informatics》：Regularized interpolation in 4D neural fields optimizes geometric fidelity in 3D printing

　　

尽管增材制造（Additive Manufacturing, AM）提供了前所未有的设计自由度，但工艺引起的几何缺陷往往限制了其在高精度应用中的使用。因此，通过动态调整工艺参数来预测和纠正这些偏差仍然是一项关键挑战，通常需要大量手动迭代，尤其是当前机器学习方法无法建模特定设置与所产生的空间偏差之间的连续因果联系。为了解决这个问题，研究人员利用了一个基于坐标的神经场（coordinate-based neural field），该神经场在不同工艺设置下打印的零件的计算机断层扫描（Computed Tomography, CT）图像上训练，并辅以基于雅可比的正则化（Jacobian-based regularization），该正则化约束了对工艺参数的敏感性，并促进物理一致的几何变化。通过将该神经场视为一个可微分的“世界模型”（world model），研究人员执行了数据驱动的逆优化（inverse optimization），以推导出针对特定局部和全局几何要求量身定制的理想工艺设置。实验验证表明，应用这些优化参数显著提高了成型部件的保真度，有效弥合了数字设计与物理输出之间的差距，同时最大限度地减少了材料浪费。

增材制造（Additive Manufacturing, AM）虽赋予设计自由，但工艺诱导的几何缺陷常限制其高精度应用。材料挤出（Material Extrusion, ME），即3D打印，是最普遍的AM方法，然而物理打印与数字设计间的匹配仍是长期挑战。现有机器学习方法难以建模工艺设置与空间偏差间的连续因果联系，且缺乏对几何相关因素的整合能力。针对此问题，研究人员提出一种基于坐标的神经场（coordinate-based neural field），该模型在不同工艺设置下打印零件的计算机断层扫描（Computed Tomography, CT）数据上训练，并引入基于雅可比（Jacobian）的正则化，约束模型对工艺参数的敏感性，从而促进物理一致的几何变化。将神经场作为可微分“世界模型”，研究人员执行数据驱动逆优化，获取满足局部和全局几何要求的理想工艺参数。实验表明，应用优化参数显著提升了成型件保真度，减少了材料浪费。该论文发表在《Advanced Engineering Informatics》。

研究人员利用四种公开几何模型（Bunny、Gear、Statue、Bolt），在九种流量率（45%至280%）下以聚乳酸（PLA）材料于Creality CR-20 Pro材料挤出打印机上制造样本，并使用Nikon XT H 225 CT扫描仪获取体数据。主要技术方法包括：采用正弦激活函数的坐标神经场（SIREN）作为基础表示；提出梯度驱动插值正则化（Gradient-Driven Interpolation Regularization, GDIR），通过最小化输出对流量率的偏导数来平滑过程维度的变化；采用拉丁超立方采样（Latin Hypercube Sampling, LHS）生成无监督协同点；将体数据转换为符号距离函数（Signed Distance Function, SDF）以增强几何学习。优化阶段将零件高度离散为0.2 mm的层，对每层候选流量率（45%–280%，步长1%）进行穷举搜索，以预测截面与目标截面之间的?₁范数最小化为准则，生成逐层最优轨迹。

研究结果部分，各小标题结论如下：

5.1 Benchmark（基准）：以未正则化SIREN基线和Lipschitz约束MLP（LipMLP）作为对比，目的是隔离GDIR的效应。

5.2 Datasets（数据集）：四个数据集各对应一种几何体，每种几何体在九种流量率下打印并扫描。留一流量率协议显示，高流量率造成过度沉积和结构臃肿，低流量率导致空洞和融合不完整，即使在100%名义流量下也存在可察觉缺陷。

5.3 Metrics（指标）：采用留出MSE、Chamfer距离以及物理-数字重量（Physical-to-Digital Weight, PDW）作为评价指标。PDW验证了数字重建与实物重量的一致性，残差变异可忽略。

5.4 Generalization in sparse supervision regimes（稀疏监督下的泛化）：在留出流量率测试中，未正则化基线在流量率≥130%时无法提取等值面，留出MSE高达80–96；LipMLP虽总能生成表面，但Chamfer距离平均约0.13，几何精度较低；GDIR在保持监督数据拟合（seen MSE近基线）的同时，在流量率130–220%区间平均Chamfer约0.085，为最佳表面保真度。这表明局部梯度约束可保留零电平界面的锐度，同时抑制外推发散。

5.5 Physics-intuitive evaluation（物理直觉评估）：基于质量与流量率近似线性关系的假设，正则化模型预测的重建质量随流量率单调近乎线性变化，符合物理预期；未正则化模型呈现非单调波动，尤其在过度挤压区间，归因于正弦激活函数的周期性伪影。

5.6 Optimizing prints for maximum geometric fidelity（优化打印以实现最大几何保真度）：以Stanford Bunny为例，在100%流量下耳朵细节再现差，170%流量改善该区域但劣化其他区域。通过逐层优化流量率，几何偏差显著降低，且最优轨迹倾向轻微欠挤出，与优先几何精度的经验做法一致。整个体积的最优轨迹计算耗时约229.28秒，远快于物理打印。

讨论总结：所提正则化引入物理知情的归纳偏置，鼓励过程维度的平滑低曲率过渡，但不强制几何本身线性。该策略不特定于流量率，可扩展到多参数输入（如温度、速度、层高），但高维搜索成本随维度升高呈指数增长。当前局限在于新几何体需重训网络，未来可通过生成模型和元学习实现跨几何迁移。结论翻译：尽管当前工作聚焦于受限环境，它奠定了面向增材制造过程更通用世界模型的初步基础——该模型显式学习过程-结构关系，并能够以原则性方式被查询、优化和调整。随着这些能力成熟，此类模型有望支持对材料和工艺变异性的更智能处理，实现设计和制造中的数据驱动决策。研究人员认为该方法本质上是工艺无关的，可应用于其他需要通过操作设置实现多样化且特定材料或几何特性的制造方式。这些进展将进一步弥合数据驱动代理建模与工业部署之间的差距，带来更低能耗、更少材料浪费和更短生产时间的制造过程。