添加剂制造有潜力使人们能够在制造、汽车工程，甚至是外层空间中根据需要创建零部件或产品。然而，提前知道3D打印对现在和未来的性能是一个挑战。

物理实验-特别是用于金属添加剂制造（AM）的物理实验-缓慢而昂贵。即使是对这些系统进行计算建模也是昂贵和耗时的。

"问题是多相的，涉及气体、液体、固体和它们之间的相变， "伊利诺伊大学博士生朱启明说。 "添加剂制造也有广泛的空间和时间尺度。这导致了小型物理与实际产品之间的巨大差距。 "

朱、刘泽良（苹果软件工程师）和金辉集团燕（伊利诺伊大学(University of Illinois)土木工程和环境工程教授）正在尝试使用机器学习来应对这些挑战。他们正在使用深度学习和神经网络来预测添加剂制造涉及的复杂过程的结果。

朱说： "我们希望建立加工、结构、性能和性能之间的关系。 "

目前的神经网络模型需要大量的数据进行培训。但朱说，在添加剂制造领域，很难获得高保真数据。为了减少对数据的需求，朱和燕正在追求"物理知情神经网络"（PINN）。

他说： "通过纳入以偏微分方程表示的守恒律，我们可以减少培训所需的数据量，并提高我们现有模型的能力。 "

使用德克萨斯州高级计算中心（截至2021年6月，世界上最快的10号和36号）的Frontera和Stampede2超级计算机，朱和燕模拟了两个基准实验的动力学：固体和液体金属相互作用时的一维凝固的例子；以及2018年NIST添加剂制造基准测试系列中的激光束熔化测试的例子。

在一维凝固的情况下，他们将实验数据输入到他们的神经网络中。在激光束熔化试验中，他们使用实验数据和计算机模拟的结果。他们还开发了一种边界条件的"硬"执行方法，他们说，这在解决问题方面同样重要。

该团队的神经网络模型能够重现这两个实验的动态。在NIST挑战的情况下，它将实验的温度和熔池长度预测在实际结果的10%以内。他们对模型进行了1.2到1.5微秒的数据培训，并在接下来的时间步骤中做出了高达2.0微秒的预测。

该团队于2021年1月公布了他们在计算力学方面的结果。

朱说: "这是神经网络首次应用于金属添加剂制造过程建模。 "我们表明，物理知情的机器学习作为无缝集成数据和物理的完美平台，在添加剂制造领域具有巨大的潜力。 "

朱认为未来的工程师使用神经网络作为快速预测工具，为添加剂制造过程的参数选择-例如激光的速度或温度分布-提供指导，并绘制添加剂制造过程参数与最终产品性能（如表面粗糙度）之间的关系。

朱说： "如果您的客户需要一个特定的属性，那么您将知道您的制造过程参数应该使用什么。 "

在2021年5月在线发表的一篇关于应用力学和工程中的计算方法的单独论文中，朱和燕提出了对添加剂制造中使用的现有有限元方法框架的修改，以看看他们的技术是否能够比现有基准得到更好的预测。

与Argonne国家实验室最近的一个涉及移动激光的添加剂制造实验相反，研究人员表明，在Frontera上进行的模拟与实验中的模拟相差不到10.3% ，并捕获了金属表面常见的实验观察到的雪佛龙型形状。

朱和燕的研究得益于计算机技术的持续增长和联邦政府对高性能计算的投资。

Frontera不仅加快了像他们这样的研究，还在培训数据不广泛的领域打开了机器和深度学习研究的大门，扩大了人工智能研究的潜力。

朱说： "最令人兴奋的一点是，当你看到你的模型只能使用少量的现有数据来预测未来时，它正在以某种方式学习这个过程的演变。 "

"以前，我对我们是否能够很准确地预测气体-金属界面的温度、速度和几何形状并不是很有信心。我们表明，我们能够做出很好的数据推断。 "