JP2022506523A - インテリジェント付加製造方法 - Google Patents

Abstract

プリンタ（１２５）を介し３Ｄ物体を作製する方法は、３Ｄ物体の第１の部分の３Ｄ仕様（１０５）を受信すること；物体の第１の部分の修正された３Ｄ仕様（１２０）を生成するために３Ｄ仕様（１０５）を処理するためにプリディストータ（１１５）を使用すること、ここで、プリディストータ（１１５）は印刷プロセスの少なくともいくつかの特徴を補償するために構成データ（２２５）により構成される；及び、修正された３Ｄ仕様に少なくとも部分的に基づく印刷プロセスに従って、物体（１７５）の第１の部分をプリンタ（１２５）に印刷させることを含む。

Description

関連出願の相互参照
本出願は、参照により本明細書に組み込まれる、２０１８年１１月２日に出願された米国仮特許出願第６２／７５４，７７０号の権利を主張するものである。

本発明は、インテリジェント付加製造手法に関し、より具体的には機械学習、マシンビジョンを使用するフィードバック、機械状態の判断のうちの１つ又は複数を利用する手法に関する。

付加製造（ＡＭ：ａｄｄｉｔｉｖｅ ｍａｎｕｆａｃｔｕｒｉｎｇ）は、材料の選択的な付加によりオブジェクトを造形することを可能にする一連の方法である。典型的な付加製造プロセスは、デジタルモデル（例えば、ＳＴＬファイルを使用して表される）を一連の層にスライスすることにより動作する。次いで、これらの層は、下から上に１層ずつ堆積させる造形装置に送られる。付加製造は、自動車、航空宇宙、医療デバイス、医薬品、産業用工具を含む様々な市場において急速に普及している。

付加製造プロセスの成長は、熱溶解積層方式（ｆｕｓｅｄ ｄｅｐｏｓｉｔｉｏｎ ｍｏｄｅｌｉｎｇ）（登録商標）（ＦＤＭ（登録商標））などの押し出しプロセス、ステレオリソグラフィ（ＳＬＡ：ｓｔｅｒｅｏｌｉｔｈｏｇｒａｐｈｙ）及びマルチジェット／ポリジェットなどの光重合プロセス、選択的レーザ焼結（ＳＬＳ：ｓｅｌｅｃｔｉｖｅ ｌａｓｅｒ ｓｉｎｔｅｒｉｎｇ）又は結合剤噴射方式などの粉末床溶融結合プロセス、及び薄膜積層方式ＬＯＭ：ｌａｍｉｎａｔｅｄ ｏｂｊｅｃｔ ｍａｎｕｆａｃｔｕｒｉｎｇ）などの積層プロセスを含む、かかるプロセスの様々な繰り返しが商業化されるに至った。しかしながら、付加製造プロセスの成長と飛躍的進歩にもかかわらず、付加製造はこのようなプロセスと併せて使用され得る材料などの制限を有する。材料の種類が限られており、これらの材料の性能により、結果として得られる効率及び品質を制限する。

インクジェット３Ｄ印刷は、プリントヘッドが液体インクの液滴を堆積する付加製造方法である。プリントヘッドは、典型的には、構築体積内の様々な位置におけるインクの堆積を許容するためにガントリシステム上に取り付けられる。構築プラットホームはまた、プリントヘッドに対して移動してもよく、プリントヘッドは静止していてもよい液体インクはＵＶ放射又は可視光放射を使用して凝固される。

複数の基材を用いて物体を構築するために、複数のプリントヘッドが、１つのシステム内で使用され得る。例えば、様々な光学的、機械的、熱的、電磁気的特性を有する材料が使用され得る。これらの材料を組み合わせて、広範囲の材料特性を有する複合材料が実現され得る。

ＵＶ硬化ユニットは、典型的には、インクジェット付加製造装置内で使用されるサブシステムの１つである。ＵＶ放射は、光開始重合反応によりインクを凝固する手段を提供する。ＵＶ放射はＬＥＤのアレイ及び水銀又はキセノンアーク灯など多種多様な機構により供給され得る。ＵＶ硬化は、典型的には、各層が印刷された後、又は層内の各材料が堆積された後に適用される。ＵＶ硬化ユニットはプリンタに対し固定されてもよいし、物体に対して独立に移動してもよい。

代替的に、インク固化は、熱的条件の変化により実現され得る。例えば、液体材料はその温度が低下されると凝固する。ワックスなど多種多様なインクがこのカテゴリでは使用され得る。ＵＶ相変化インク及び熱相変化インクの両方が物体を製造するために組み合わせられ得る。

インクの各液滴及び表面張力のわずかな変動のため、プラットホーム上へ堆積された液体層は完全には平坦ではなく、したがって、不均一層により引き起こされる誤差及び累積誤差を無くすために機械的平坦化デバイスを必要とする。平坦化デバイスはローラ、スクリプト、又はさらにはミルなどであり得る。典型的には、噴射された材料の約２０～３０％が平坦化プロセス中に除去され、その結果、大きな無駄が生じ、材料費が増加する。

インクジェットプロセスを使用して製造される際、３Ｄ印刷された物体は構造的支持を必要とし得る。例えば、突出部を有するほとんどの物体は支持構造を必要とする。典型的には、追加の印刷データがこれらの支持構造のために生成される。インクジェット付加製造では、典型的には、別個のインクが支持材として指定される。このインクもまたプリントヘッドを使用して堆積され、次に固化される。支持材は印刷が完了した後に容易に除去されることが望ましい。水又は他の溶剤中で可溶であるＵＶ硬化性材料、又は融解により除去され得るワックスベース材料を含む多くの潜在的支持材が存在する。

印刷プロセスが完了した後、いくつかの部分は、典型的には、後処理される。例えば、支持材は除去される必要があるかもしれない。これらの部分はまたその機械的又は熱的性質を改善するために後処理される必要があるかもしれない。これは熱処理及び／又は追加のＵＶ放射を含み得る。

インクジェット印刷に好適なインクは、特定の仕様に準拠する必要がある。主な要件は以下のものを含む：１）粘度は、典型的には、動作条件において３～１５ｃｐｓ内である必要がある；２）表面張力は、典型的には、２０～４５ｍＮ／ｍであるべきである；３）熱的安定性：インクはプリントヘッド、インク容器又はフィード系内で凝固すべきでない；４）配合安定性：インクの様々な成分は適度に長い時間の間は分離するべきでない。インクは、典型的には、印刷の仕様を満足するために最適化される。

さらに、プリントヘッドを駆動するための波形は、最適化され、インク毎に適応する必要があります。これに加えて、印刷プロセスの多くの異なるパラメータ（プリントヘッド及びインク予熱など）を個々のインクに適応させる必要がある。

多くの場合、インクは添加剤を含み得る。これらの添加剤は、インク中に分散又は溶解される染料又は顔料の形態の着色剤、又は顔料と染料との混合物の形態の着色剤を含む。界面活性剤がまた、インクの表面張力を調整して噴射性能又は印刷性能を向上させるために使用され得る。加えて、硬化樹脂の機械的、熱的又は光学的特性を強化するために、他の種類の粒子又は添加剤が使用され得る。

一態様では、概して、プリンタ（１２５）を介し３Ｄ物体を作製する方法は、３Ｄ物体の一部分の３Ｄ仕様（１０５）を受信することを含む。プリディストータ（ｐｒｅｄｉｓｔｏｒｔｅｒ）（１１５）は、３Ｄ仕様（１０５）を処理して、物体の一部分の修正された３Ｄ仕様（１２０）を生成する。プリディストータ（１１５）は印刷プロセスの少なくともいくつかの特性を補償するために、構成データ（２２５）により構成される。プリンタ（１２５）は、修正された３Ｄ仕様に少なくとも部分的に基づく印刷プロセスに従って、物体（１７５）の第１の部分を印刷するか、又は印刷させられる。

いくつかの例では、プリンタ（１２５）を組み込んだ印刷システム（１００）は、複数のトレーニングタプルを含むトレーニングデータ（２３０）を受信することにより構成される。各トレーニングタプルは、仕様（２２０）及び、印刷システム（１００）のプリンタ（１２５）を使用した仕様（２２０）の作製を表すスキャン（２５６）を含む。トレーニングデータは、構成データ（２２５）を生成するために処理され、次いで、該構成データは、印刷システムによる印刷で使用されるプリディストータ（１１５）を構成するために使用される。

別の態様では、概して、プリンタ（１２５）を介し３Ｄ物体を作製する方法は３Ｄ物体の一部分の３Ｄ仕様（１０５）を受信することを含む。プリディストータ（１１５）は、物体の一部分の修正された３Ｄ仕様（１２０）を生成するために３Ｄ仕様（１０５）を処理する。プリディストータ（１１５）は、一連の構成可能なプリディストータを含む。プリディストータの構成は、構成データ（２２５）で表される。構成データ（２２５）は印刷プロセスの少なくともいくつかの特性を補償するために使用される。プリンタ（１２５）は、修正された３Ｄ仕様に少なくとも部分的に基づく印刷プロセスに従って物体（１７５）の第１の部分を印刷する、又は印刷させられる。

別の態様では、概して、プリンタ（１２５）を介し３Ｄ物体を作製する方法は、３Ｄ仕様（１０５）を受信することを含む。３Ｄ仕様（１０５）は、３Ｄ物体の一部分だけでなく３Ｄ物体の既に作製された部分（１７０）上に作製される３Ｄ物体の追加の部分（１７５）も表す。プリディストータ（１１５）は、物体の一部分の修正された３Ｄ仕様（１２０）を生成するために、３Ｄ仕様（１０５）を処理する。プリディストータ（１１５）は、印刷プロセスの少なくともいくつか特性を補償するために構成データ（２２５）により構成される。プリンタ（１２５）は、修正された３Ｄ仕様に少なくとも部分的に基づく印刷プロセスに従って物体（１７５）の第１の部分を印刷するか、又は印刷させられる。

別の態様では、概して、プリンタ（１２５）を介し３Ｄ物体を作製する際に使用されるプリディストータを構成する方法について説明する。本実施形態は、印刷プロセスを表す第１の値のセットを推定することを含む。印刷プロセスは、３Ｄ物体の仕様を受信するとともに物体が作製されるように構成される。次に、第２の値のセットが推定される。第２の値のセットは、印刷プロセスの前処理（１１５）を表す。前処理（１１５）は、３Ｄ物体（１０５）の仕様を受け入れるとともに、前記物体の修正された仕様（１２０）を生成するように構成可能である。第１の値のセット及び第２の値のセットの推定は、前処理（１１５）及び印刷プロセスの組み合わされた特性に少なくとも部分的に依存する損失関数を最適化することを含む。いくつかの例では、前処理（１１５）及び印刷プロセスの組み合わされた特性は、前処理（１１５）及び印刷プロセスの順次適用の特性（例えば「ループ」損失関数）を含む。

一態様は以下の特徴のうちの１つ又は複数を含み得る。

プリディストータを使用することは、一連の構成可能なプリディストータを使用することを含む。これらの構成可能なプリディストータの構成は構成データ（２２５）で表される。

構成可能なプリディストータは、利用可能なプリディストータのセットに属し、構成データ（２２５）はさらに、一連のプリディストータ内におけるのプリディストータの選択及び／又は順序付けを表す。

構成可能なプリディストータの少なくともいくつかは、解像度に依存しない
プリディストータである。

３Ｄ仕様（１０５）は、作製される３Ｄ物体全体を表す。

３Ｄ仕様（１０５）は、３Ｄ物体の既に作製された部分（１７０）上に作製される３Ｄ物体の追加の部分（１７５）を表す。

スキャナ（１５０）は、既に作製された部分（１７０）を表すスキャンデータ（１５５）を生成するために使用される。

スキャンデータは、既に作製された部分の深度マップを含む。

スキャンデータは、既に作製された部分の複数の体積要素の三次元表現を含み、前記体積要素に関連付けられた材料識別子を含む。

プリディストータ（１１５）を使用することはさらに、修正された３Ｄ仕様（１２０）を生成するために、既に作製された部分（１７０）を表すスキャンデータ（１５５）を使用することを含む。

既に作製された部分（１７０）は追加の部分（１７５）が作製される表面（１７１）を含み、スキャンデータ（１５５）は前記表面（１７１）を表す。

プリディストータを使用することは、人工ニューラルネットワークを適用することを含む。

構成データは、プリンタに第１の部分を印刷させた後に更新される。この更新は、修正された３Ｄ仕様に従って第１の部分を印刷した後に、物体を表すスキャンデータを受信すること；構成データを更新するために、修正された３Ｄ仕様及び受信されたスキャンデータを含むデータを処理すること；物体の第２の部分の仕様を処理して、更新された構成パラメータに従って第２の部分の修正された３Ｄ仕様を生成すること；及び、プリンタに物体の第２の部分を印刷させること；を含む。

１つ又は複数の実施形態の利点は、物体の仕様から物体の作製における精度の向上を含み得る。機械学習を使用する実施形態は、３Ｄプリンタの非理想的態様をより正確に特徴付け得る複雑なプリディストータを学習し得る。一連の構成可能な且つ解像度に依存しないプリディストータを使用する実施形態は、過剰な数のパラメータを必要とすることなく、したがって過剰な量のトレーニングデータを必要とすることなく、プリンタの非理想的特性の正確な補償を提供し得る。

本発明の他の特徴及び利点は以下の説明及び特許請求の範囲から明らかである。

３Ｄ付加製造の印刷（１００）及び関連トレーニング／適応化（２００）システムの概略ブロック図である。 図１のシステムの第１の機械学習ベースの構成である。 プリンタシミュレータを含む図１のシステムの第１の機械学習ベースの構成である。 第１の機械学習ベースの構成をトレーニングするためのトレーニングシステムである。 シミュレーション損失計算モジュールである。 逆設計損失計算モジュールである。 サイクル入力３Ｄモデル損失計算モジュールである。 サイクル製造３Ｄモデル損失計算モジュールである。 オンライン学習器モジュールを含む図１のシステムの第１の機械学習ベースの構成である。 プリンタシミュレータ及びオンライン学習器モジュールを含む図１のシステムの第１の機械学習ベースの構成である。 図１のシステムの第２のフィードバックベースの構成である。 プリンタシミュレータを含む図１のシステムの第２のフィードバックベースの構成である。 第２のフィードバックベース構成をトレーニングするためのトレーニングシステムである。 シミュレーション損失計算モジュールである。 逆設計損失計算モジュールである。 サイクル入力３Ｄモデル損失計算モジュールである。 サイクル製造３Ｄモデル損失計算モジュールである。 オンライン学習器モジュールを含む図１のシステムの第２のフィードバックベース構成である。 第２のプリンタシミュレータ及びオンライン学習器モジュールを含む図１のシステムの第２のフィードバックベース構成である。 製作計画を生成するために、推定されたマシン状態を使用する図１のシステムの第３の構成である。 製作計画を生成するために、推定されたマシン状態を使用する図１のシステムの第３の構成の別の表現である。 製作計画を生成するために、推定されたマシン状態及びフィードバックを使用する図１のシステムの第４の構成である。 製作計画を生成するために、推定されたマシン状態及びフィードバックを使用する図１のシステムの第４の構成の別の表現である。 製作計画を生成するために、推定されたマシン状態及び機械学習を使用する図１のシステムの第５の構成である。 製作計画を生成するために、推定されたマシン状態及び機械学習を使用する図１のシステムの第５の構成の別の表現である。 製作計画を生成するために機械学習、フィードバック及びマシン状態を使用する図１のシステムの第６の構成である。 製作計画を生成するために機械学習、フィードバック及びマシン状態を使用する図１のシステムの第６の構成の別の表現である。 第６の構成をトレーニングするためのトレーニングシステムである。 シミュレーション損失計算モジュールである。 逆設計損失計算モジュールである。 サイクル入力３Ｄモデル損失計算モジュールである。 サイクル製造３Ｄモデル損失計算モジュールである。 製作計画を生成するために機械学習、フィードバック及びマシン状態を使用する図１のシステムの第７の構成である。 製作計画を生成するために機械学習、フィードバック及びマシン状態を使用する図１のシステムの第７の構成の別の表現である。 第７の構成をトレーニングするためのトレーニングシステムである。 シミュレーション損失計算モジュールである。 逆設計損失計算モジュールである。 サイクル入力３Ｄモデル損失計算モジュールである。 サイクル製造３Ｄモデル損失計算モジュールである。 製作計画を生成するためにマシン状態を取り込み、フィードバック及び機械学習を使用するプリディストータを含む図１のシステムの第８の構成である。 製作計画を生成するためにマシン状態を取り込み、フィードバック及び機械学習を使用するプリディストータを含む図１のシステムの第８の構成の別の表現である。 第８の構成をトレーニングするためのトレーニングシステムである。 シミュレーション損失計算モジュールである。 逆設計損失計算モジュールである。 サイクル入力３Ｄモデル損失計算モジュールである。 サイクル製造３Ｄモデル損失計算モジュールである。

１ 概説
図１を参照すると、印刷システム１００は作製される物体の一部又はすべての仕様１０５を受け入れる。同図において、仕様１０５は、仕様１１０により既に作製された第２の部分上に作製される物体の第１の部分を表す。しかし、本明細書で説明する手法が、物体を形成するために追加されるインクリメンタルパーツに適用することは必須ではないことを理解すべきであり、本手法は部分全体の仕様に適用され得る。さらに、用語「仕様」は、広義に理解され、そして多くの代替形式を有するものと理解されるべきである。一般的に、仕様１０５は所望の３Ｄ構造（例えば、ソリッドモデル）を規定し得る。仕様１０５は、例えば、これらに限定されないが、表面（例えば、ＳＴＬファイルなどのマイクロポリゴン形式で又は表面の関数形式として解析的に）として；どの領域が充填されるか、使用される材料、密度を示す量子化された体積領域（例えば「ボクセル」）のセットとして；当該面（例えばｘ－ｙ面）上の位置に応じた薄い平坦スラブの厚さ（例えばｚ次元の）として；又は一部分を追加した後、必要な結果の上面として表され得る。いくつかの実装では、仕様１０５は、物体全体の仕様を処理する立案（例えば「スライシング」）段階の製品（図１に示さず）であり、物体全体を形成するために次に作製される層の仕様を形成する。

引き続き図１を参照すると、印刷システム１００は、入力として仕様１０５を受け取り、修正された仕様１２０（又は印刷計画のプリンタ指令などプリンタ１２５への他の好適な入力）を生成するパラメータ化されたプリディストータ１１５により特徴付けられる。用語「プリディストータ」又は「補正器（ｄｉｓｔｏｒｔ）」は特定の種類の動作を暗示せず、したがって限定的なものと見なされるべきでない（すなわち、幾何学的な修正以外の操作が包含される）。いくつか又はすべての実施形態では、プリディストータは、本質的に印刷プロセスの逆（「事前逆（ｐｒｅ－ｉｎｖｅｒｓｅ）」）処理を形成するように構成され、その結果、修正された仕様１２０が、プリンタ１２５へ提供され、そして物体の対応する作製された部分１７５を形成するように作製され、部分１７５は、入力として提供される最初に望まれた仕様１０５に整合する。本明細書では、「プリディストータ」は「前置補償器」、「前処理」又は「補償器」などと等価的に呼ばれる。したがってプリディストータはフィードフォワード（又はフィードバック）制御システムの一部として機能する。後述するように、プリディストータはトレーニング／適応化システム２００により判断されるパラメータΘ２２５により構成される。

いくつかの実施形態では、ランタイム印刷システム１００は、どのように物体の以前の部分が作製されたかに関する情報を、プリディストータ１１５が直接的には有しない「開ループ」又は「フィードフォワード」方式で操作される。他の実施形態では、図１に示すように（フィードバックに付随する任意選択経路を表す点線により）、スキャナ１５０が、物体の作製の結果を表すスキャンデータ１５５を決定するために使用される構成で概略的に示され、このデータは表面又は表面近傍部のセクションの形状及び／又は材料（例えば深さに応じた材料組成又は密度）を表す。このようなフィードバック構成の例では、スキャナ１５０は、物体の既に作製された部分１７０の表面１７１を表すスキャンデータ１５５を決定する。このスキャンデータ１５５は、プリディストータ１１５への第２の入力として提供され、これによりプリディストータが、物体の次の部分１７５の作製に影響を与えるプリンタ１２５の非理想的な特性を補償するだけでなく、部分１７０を作製する非理想的な結果を補償することも可能にする。

次に、図１に示すトレーニング／適応化システム２００に移ると、一般的に、学習器２１０が、プリディストータ１１５を構成するパラメータΘ２２５を判断するために使用される。学習器の多種多様な実装は、添付文書において説明されている。異なる構成の入力が、学習器の様々な実施形態に使用され得るということも理解されたい。

一つのタイプの学習器２１０では、学習器への入力は、仕様２２０のセットとスキャンデータ２５６とのペアを含むトレーニングデータである。このような各ペアは、物体の一部（又は全体）を作製するために仕様を処理するプリンタ１２５の使用の結果であり、作製された部分はスキャナ１５０（すなわち、印刷する際に使用されるスキャナ１５０又は同等のスキャナのいずれか）によりスキャンされ、スキャンデータ２５６を生じる。トレーニングデータは何百、何千以上のペアを有し得る。例えば、仕様１２０から仕様２２０への点線、及びスキャンデータ１５５からスキャンデータ２５６への点線により示されるように、プリンタ（又は複数のプリンタ）は、動作中監視され得る、トレーニングデータは後の処理のために収集され得る。非常に一般的には、学習器２１０は、すべてのこれらのペアのトレーニングデータを処理し、プリディストータへの入力がスキャンデータ２５６に対応する構造を有する物体を表す場合には、プリディストータの出力が仕様２２０に対応するように、プリディストータ１１５を構成するパラメータ２２５を決定する。学習器２１０のいくつかの例では、学習器は、予測器が仕様２２０から対応するスキャンデータ２５６へのマッピングを近似するように、プリンタ１２５の予測器のパラメータを推定する。学習器から出力されるパラメータ２２５は、プリディストータと予測器とのカスケードが、識別プリディストータに可能な限り近くなるように、この予測器の事前逆（ｐｒｅｉｎｖｅｒｓｅ）として機能するようにプリディストータを実質的に構成する。

上に紹介したように、いくつかの「フィードバック」構成では、プリディストータ１１５は次の２つの入力を有し得る：作製される部分の仕様１０５及び既に作製された物体の部分のスキャンデータ１５５。このような構成のため、学習器２１０は、修正された仕様１２０を生成するために、これらの２つの入力を処理するためのパラメータ２２５を決定する。そうするために、トレーニングデータは、それぞれが：既に作製された物体の部分のスキャンデータ１５５；プリンタ１２５へ提供される仕様２２０；及び、仕様２２０に対応する部分が作製された後の結果のスキャンデータ２５６；を含む、トリプル（ｔｒｉｐｌｅ）を含む。フィードバックが存在しないやり方と同様に、プリディストータへの入力がスキャンデータ２５６及びスキャンデータ２５５に対応する構造を有する物体を表す場合には、プリディストータの出力が仕様２２０に対応するように、学習器２１０はトレーニングデータのすべてのトリプルを処理し、プリディストータ１１５を構成するためにパラメータ２２５を決定する。学習器２１０のいくつかの例では、学習器は、この予測器が仕様２２０及びスキャンデータ２５５から対応するスキャンデータ２５６へのマッピングを近似するように、プリンタ１２５の予測器のパラメータを推定し、学習器から出力されるパラメータ２２５は、プリディストータと予測器とのカスケードが、識別プリディストータに可能な限り近くなるように、この予測器の事前逆として機能するプリディストータを実質的に構成する。

いくつかの実施形態では、トレーニングデータは、パラメータ２２５を決定するためにバッチで収集され処理される。他の実施形態では、本システムは物体の印刷中に適応化し得る。パラメータ２２５は物体が印刷されている間に更新され、これにより、トレーニングデータの以前の収集において使用されたものと比較して、印刷プロセスにおいて起こり得る変化に応答する。

以下のさらなる論述では、上に使用された用語に整合する以下の用語が一般的に使用される。完成された物体全体の仕様Χを有する物体は、２つの連続する部分的物体との間の増分（「スライス」又はスライスのセット）ｘ_ｎが理想的には、組み合わせ（加算記号により表される）Χ_ｎ＝Χ_ｎ－１＋ｘ_ｎを形成するための増分として、実質的に堆積されるように仕様Χ_１，Χ_２，．．．を有する一連の部分的物体として作製される。各スライスｘ_ｎは、プリンタを制御して材料を堆積し、これによりスキャンＺ_１，Ｚ_２，．．．と、対応する、推定され作製されたスライス（すなわち達成された増分）ｚ_ｎ＝Ｚ_ｎ－Ｚ_ｎ－１とを有する一連の部分的物体を形成するために使用される。理想的なケースでは、プリンタはスライス毎にｚ_ｎ＝ｘ_ｎを正確に生成する。

物理的プリンタは、指令されたスライスｘ_ｎの変換Ｈとして第１の形式で表され得る（プリンタにより１つ又は複数の層内に印刷される場合がある、すなわち、スライスは一般的に単一の印刷層に限定されない）、ｚ_ｎ＝Ｈ（ｘ_ｎ）のように関数形式で表される増分スキャンｘ_ｎを有する作製されたスライスを生じる。いくつかの文脈では、物理的プリンタは、第２の形式では、以前の部分的に作製された物体を入力する変換（スキャンＺ_ｎ－１及び次のスライスｘ_ｎを有しそして次の部分的物体のスキャンＺ_ｎを生成する）と見做される。これは関数形式ではＺ_ｎ＝Ｈ（ｘ_ｎ，Ｚ_ｎ－１）として表され得る。すなわち、プリンタは、既存の部分的に作製された部分に層を追加し、次の連続する部分的に作製された部分を生成するものとして表される。

以下のいくつかの例では、シミュレーション

を明示的に表すことが有用であり、これは物理的プリンタをモデル化することを意味する。このシミュレーションはパラメータ化され得る、シミュレーションのパラメータは、

で表される。いくつかの例では、このシミュレーションは物理的現象（例えば材料流、収縮など）を明示的に表す「物理的」シミュレーションであり、他の例では、シミュレーションはパラメータがトレーニングセットに基づき推定される機械学習手法に基づき、さらに他の例では、シミュレーションは、一種又は両種の成分（例えば、順に塗布される）の組み合わせを利用し得る。

上に紹介したように、プリディストータは物理的プリンタの不完全性を補償するために使用される。用語「前置補正」及び「プリディストータ」はプリンタの特性を補償する任意の変換を含むように広義に理解されるべきである。以下のいくつかの例では、プリディストータは、所望のスライスｘ_ｎの変換Ｇとして第１の形式で表され、ｙ_ｎを物理的印刷プロセスに通すことで所望のスライス

を生成するように、プリディストーションされたスライスｙ_ｎが得られる。すなわち、これは、

のような関数形式で表され得る、ここで、実効的にＧは「事前逆」

である。プリディストータのパラメータはΘ_Ｇで表される。「フィードバック」形式と呼ばれ得るプリディストータの第２の形式では、入力はＺ_ｎ－１を有する部分的に作製された物体及び所望の次に部分的に作製される物体Ｘ_ｎであり、出力はプリンタを制御するために使用される次の指令されたスライスｙ_ｎである。関数形式では、

をゴールとして、ｙ_ｎ＝Ｇ（Ｘ_ｎ，Ｚ_ｎ－１）として表され得る。

プリディストーションの無いフィードバックでは、フィードバック機構は既に作製された部分Ｚ_ｎ－１のスキャンと次の所望部分Ｘ_ｎとの比較であると考えられ得る、プリンタへの指令は差ｙ_ｎ＝Ｘ_ｎ－Ｚ_ｎ－１であるということに留意されたい。この差はある程度は、縮退プリディストータｙ_ｎ＝Ｇ（Ｚ_ｎ－１，Ｘ_ｎ）＝Ｘ_ｎ－Ｚ_ｎ－１と考えられ得る。

さらにプリディストータＧの第３の形式では、入力は、Ｘ（すなわち次の部分的物体Ｘ_ｎではなく）として表される最終的な所望の物体を含み、プリディストータは現在の部分的スキャンＸ_ｎ－１を使用し、そして所望の物体へ進むために次の指令ｙ_ｎを生成する。本質的に、これは、パラメータ化された変換内へ印刷するために行われる計画（例えば、「スライス」）プロセスの一部を移動し、最適化されることを許容する。

いくつかの実装では、プリンタＨの特性は様々な環境又は状態変数に依存する。いくつかの例は、周囲温度、個々の噴射特性（例えば目詰まりの程度）等々を含み得る。いくつかの実装では、このような変数の変化はパラメータ

及びΘ_Ｇを更新することによりキャプチャされ得る。他の実施形態では、これらのパラメータは、明示的に測定又は推定され、ｍ_ｎ又は

として表され得る、そして別の入力として

及びＧへ提供され得る。

以下にさらに詳細に論述されるように、変換

及びＧは、最適化又は損失関数と呼ばれ得る設計基準に従って、調整されたパラメータによりパラメータ化され得る。例えば、これらの変換はディープ畳み込み（ｄｅｅｐ ｃｏｎｖｏｌｕｔｉｏｎａｌ）ニューラルネットワークなど人工ニューラルネットワークとして実装され得る。上記表現では、入力ｘ_ｎは、限定しないが２次元位置のグリッド全体にわたる厚さのサンプル、又はグリッド全体にわたる材料組成のベクトルを含む様々な表現を採り得る、ベクトルにおける各位置は異なる材料の量、又は濃度と関連付けられる。いくつかの実装では、入力ｘ_ｎ又はＸ_ｎは、位置の三次元アレイ（例えば個々のボクセルを表す）全体にわたって表される。いくつかの実装では、プリディストータＧの出力はその入力と同じ特性を有する。例えば、プリディストータＧの出力は、位置に応じた所望の厚さから位置に応じた指令された厚さへのマッピングを形成し得る。しかし、他の実装では、プリンタＨ又はそのシミュレーション

への入力ｙ_ｎは、印刷ヘッド指令、速度などのプリンタ指令の形式であり得る、「プリディストータ」は所望の構造からプリンタ指令への変換を効果的に実施する。

多くの特定手法が、上述した用語及び表記法に従って、以下に説明される。

２ 機械学習ベースのプリディストータを使用する付加製造
２．１ ランタイム動作
図２及び３を参照すると、別の例示的な付加製造手法は、本プロセスを使用して製造された物体の品質を改善するために、機械学習ベースのプリディストータを使用する。

図２に示す手法では、作製される物体の入力仕様１０５は、パラメータΘ_Ｇに従って構成される機械学習ベースのプリディストータＧ２１５へ提供される。プリディストータＧ２１５は対応する修正された入力仕様１２０を生成するために、入力仕様１０５を処理する。修正された入力仕様１２０はプリンタＨ１２５へ提供され、プリンタＨ１２５は修正された入力仕様１２０に従って、作製された部分１７５を印刷する。

いくつかの例では、作製された部分１７５の表現（例えばスキャン）は、印刷プロセスの始めにフィードバックされ、そして入力仕様１０５がプリディストータＧ２１５へ提供される前に入力仕様１０５を調整するために使用される。例えば、入力仕様１０５は、作製された部分１７５を印刷する際に発生した印刷誤差を補償するように調整され得る。

上述のように、機械学習ベースのプリディストータ２１５は実質的に、プリンタ１２５へ提供される所与の修正された入力仕様１２０が、元の入力仕様１０５に一致する作製された部分１７５を生じるように、プリンタ１２５に関連付けられた印刷プロセスの逆（「事前逆」）処理を形成する。

機械学習ベースのプリディストータ２１５を使用する１つの理由は、従来の付加製造プロセスがしばしば、製造プロセスにより考慮されないマイクロスケールの物理的影響（液体材料の流れ、液滴の合体、表面張力など）に起因して、物体の入力３Ｄ仕様を逸脱する物体を生成するということである。これらの物理的現象によって、製造された物体の寸法が不正確になり、形状が丸くなり、及び欠ける可能性があり得る。機械学習ベースのプリディストータ２１５は、材料挙動の複雑な物理ベースモデリングを必要することなく、物理的現象を自動的に特徴付け、そして製造プロセスが入力モデルを忠実に再生し得るように機械学習モデルを使用して入力モデルを修正する。

図３を参照すると、図２に示すプロセスの概略図は機械学習ベースのプリディストータＧ２１５、プリンタＨ１２５、スキャナ１５０、及びプリンタのシミュレーション

２１６を含む。

印刷プロセスのより詳細な説明では、作製される物体の一部又はすべての一連の１つ又は複数の所望の入力仕様（ｘ_１．．．ｘ_Ｎ）１０５は、パラメータΘ_Ｇに従って構成される機械学習ベースのプリディストータＧ２１５へ提供される。プリディストータＧ２１５は、対応する一連の１つ又は複数の修正入力仕様（ｙ_１．．．ｙ_Ｎ）１２０を生成するために入力仕様１０５を処理する。一連の修正された入力仕様１２０はプリンタＨ１２５へ提供され、該プリンタは一連の１つ又は複数の修正された入力仕様１２０に従って、一連の１つ又は複数の作製された部分

を印刷する。作製された部分１７５は連続スキャンＺ_１．．．Ｚ_Ｎを生成するスキャナ１５０（例えば光学スキャナ）を使用してスキャンされる。

修正された入力仕様１２０はまたプリンタのシミュレーション

２１６へ提供され得る、該シミュレーションは、予測された作製部分

１７７を生成するために修正された入力仕様１２０を処理する。シミュレーション

２１６は以下に詳細に説明されるようにトレーニング目的に使用される。

いくつかの例では、作製された部分１７５の一連のスキャンＺ_１．．．Ｚ_Ｎ１５５は印刷プロセスの始めへフィードバックされる。印刷プロセスの始めに、スキャン１５５は、印刷される増分（ｘ_１．．．ｘ_Ｎ）を表す調整された入力仕様１０５を形成するために物体仕様Ｘ_１．．．Ｘ_Ｎと組み合わせられ得る。プリディストータＧ２１５へ提供されるのはそれらの増分である。

２．２ トレーニング
図３では、機械学習ベースのプリディストータＧ２１５及び機械学習ベースのシミュレータ

２１６の両方の使用は、製造された物体の忠実性を改善し得る。いくつかの例では、プリディストータＧ２１５及びシミュレータ

２１６をトレーニングするために、トレーニングデータは以前の物体の印刷から収集され、収集されたトレーニングデータは、プリディストータＧ２１５のプリディストータパラメータΘ_Ｇ及びシミュレータ

２１６のシミューレーションパラメータ

を決定するために使用される。

例えば、トレーニングデータは多くの対応するペア（ｙ_ｉ，ｚ_ｉ）を含み、ここで、ｚ_ｉは、修正された入力仕様１２０及びスキャンデータ１５５の、入力ｙ_ｉに従って印刷した増分結果を表す連続スキャンデータ間の差（例えば、Ｚ_ｉ－Ｚ_ｉ－１として表される）であり、１つ又は複数の前の印刷パス期間中に格納される。次に、当該トレーニングデータは、プリディストータＧ２１５のプリディストータパラメータΘ_Ｇ及びシミュレータ

２１６のシミューレーションパラメータ

を決定するためにバッチトレーニング手順で処理される。

図４を参照すると、このようなトレーニング手順の一例では、合成損失４３０は、シミュレーション損失、逆設計損失、サイクル入力３Ｄモデル損失及びサイクル製造３Ｄモデル損失の和（又は加重和）として決定される。合成損失は、更新されたプリディストータパラメータΘ_Ｇ及び更新されたシミューレーションパラメータ

を決定するパラメータ最適化モジュール４３１へ提供される。

いくつかの例では、パラメータ最適化モジュール４３１は、パラメータΘ_Ｇ及び

を決定し、最適化アルゴリズムを使用して、パラメータΘ_Ｇ及び

を繰り返し更新し、いくつかの停止基準（例えば反復の数、収束）まで更新する。モデルパラメータを更新する一般的な方法の一つは、モデルパラメータに対する合成損失関数の傾きを計算／推定することを含む。例えば、人工ニューラルネットワーの逆伝搬アルゴリズムは、このような傾き推定を使用する。当然、他のパラメータ更新方式を使用することができ得る。

２．２．１ シミュレーション損失計算
図５を参照すると、シミュレーション損失は、どの程度シミュレータ

２１６がプリンタＨ１２５を近似するかを測定する。シミュレーション損失を計算するために、シミュレーション損失計算モジュール４３２（図４を参照）は、スキャン（Ｚ_１．．．Ｚ_Ｎ）１５５及び修正された入力仕様（ｙ_１．．．ｙ_ｎ）１２０を含むトレーニングデータを受信する。修正された入力仕様１２０は入力としてシミュレータ

２１６へ提供され、シミュレータ

２１６は対応する予測作製部分

１７７を生成する。シミュレーション損失５３６は、増分スキャンデータ（ｚ_１．．．ｚ_Ｎ）１５５と予測された増分作製部分

１７７との差として計算される。この差（例えばボクセル空間におけるモデル間の差、Ｈａｕｓｅｄｏｒｆｆ距離など）を計算する様々なやり方が存在する。

２．２．２ 逆設計損失計算
図６を参照すると、逆設計損失を計算するために、逆設計損失計算モジュール４３３（図４を参照）は、増分スキャンデータ（ｚ_１．．．ｚ_Ｎ）１５５及び修正された入力仕様（ｙ_１．．．ｙ_Ｎ）１２０を含むトレーニングデータを受信する。スキャンデータ１５５は入力としてプリディストータＧ２１５へ提供され、プリディストータＧ２１５は対応する予測され修正された入力仕様（ｙ’_１．．．ｙ’_Ｎ）６２０を生成する。逆設計損失６３７は修正された入力仕様（ｙ_１．．．ｙ_Ｎ）１２０と予測され修正された入力仕様（ｙ’_１．．．ｙ’_Ｎ）６２０との差として計算される。

２．２．３ サイクル入力３Ｄモデル損失計算
図７を参照すると、サイクル入力３Ｄモデル損失の計算はシミュレータ

２１６とプリディストータＧ２１５との間の一貫性を保証するために使用される。この損失は、互いに改善し得るように２つの機械学習モデルの橋渡しをする。これにより、両モデルは未発見データへより良好に一般化される。

サイクル入力３Ｄモデル損失を計算するために、サイクル入力３Ｄモデル損失計算モジュール４３４（図４を参照）は修正された入力仕様（ｙ_１．．．ｙ_Ｎ）１２０を受信する。修正された入力仕様１２０は入力としてシミュレータ

２１６へ提供され、該シミュレータは該修正された入力仕様を使用して対応する予測された増分作製部分

１７７を生成する。予測された作製部分１７７は、これらを使用して予測され修正された入力仕様（ｙ’_１．．．ｙ’_Ｎ）７２０を生成するプリディストータＧ２１５へ提供される。サイクル入力３Ｄモデル損失７３８は修正された入力仕様（ｙ_１．．．ｙ_Ｎ）１２０と予測され修正された入力仕様（ｙ’_１．．．ｙ’_Ｎ）６２０との差として計算される。

２．２．４ サイクル製造３Ｄモデル損失計算
図８を参照すると、サイクル製造３Ｄモデル損失を計算するために、サイクル製造３Ｄモデル損失計算モジュール４３５（図４を参照）は入力としてスキャンデータ（Ｚ_１．．．Ｚ_Ｎ）１５５を最初に受信する。スキャンデータ１５５はプリディストータＧ２１５へ提供され、プリディストータＧ２１５は予測され修正された入力仕様（ｙ’_１．．．ｙ’_Ｎ）８２０を生成するために予測された作製部分１７７を使用する。予測され修正された入力仕様８２０はシミュレータ

２１６へ提供され、該シミュレータは該仕様を使用して対応する予測された増分作製部分

１７７を生成する。サイクル製造３Ｄモデル損失８３９はスキャンデータ１５５と予測された増分作製部分

１７７との差として計算される。

２．２．５ オンライントレーニング
図９及び１０を参照すると、上述の例はトレーニングデータのすべてが予め収集されるシナリオに関連しており、トレーニングはランタイムシステムの配備に先立って「バッチ」で行われる。しかし、いくつかの例では、プリディストータＧ２１５及びシミュレータ

２１６のトレーニングの一部又は全ては、物体が印刷される際に行われる（すなわち、「オンライントレーニング」）。

図９及び１０では、図２に示す印刷プロセスは学習モジュール９１０を含むように更新される。非常に一般的には、学習モジュール９１０は、進展するにつれ、修正された入力仕様（ｙ_ｎ）１２０及びスキャンデータ（Ｚ_ｎ）１５５を印刷プロセスから受信し、そして、この時点までに受信したデータを使用してパラメータΘ_Ｇ及び

を繰り返し更新する。いくつかの例では、パラメータΘ_Ｇ及び

は各印刷パス後に更新される。他の例では、パラメータΘ_Ｇ及び

はｎ印刷パス毎に又は所定時間間隔に従って更新される。

一般的に、学習モジュール９１０によりなされる更新は、上述のトレーニング技術を使用して行われるが、連続的且つパラメータ更新方式で効率的に動作するように適応化される。

３ フィードバックループ及び機械学習を使用する付加製造
上述の付加製造プロセスは、印刷パスから印刷パスへ一貫した体系的なエラーを考慮することにより製造精度を改善する。これらのエラーは印刷材料の物理的挙動及び製造プロセスにより決定される。ランダムエラーとして知られるもう一つの重要なエラーの原因は、層毎に存在する。ランダムエラーは、測位システムの精度、又はプリントヘッド状態（ノズルの目詰まり、周囲温度の揺らぎなど）により影響される。これらのタイプのエラーを考慮するために、機械学習モデルは、製造の進捗状況に関するフィードバックを使用してリアルタイムに拡張される。リアルタイムフィードバックを提供する１つのやり方は、印刷中に、部分的に製造された部分をスキャンし、そして該情報を使用して製造プロセスへの入力を直接生成することである。

３．１ ランタイム動作
図１１及び１２を参照すると、付加製造プロセスの別の例示的手法は、追加の入力として前の印刷パスにおいて作製された物体のスキャンを受信するように構成された機械学習ベースのプリディストータを使用する。

図１１に示す手法では、作製される物体の入力仕様１０５及び以前の印刷パスにおいて作製された物体のスキャンデータ１５５は、パラメータΘ_Ｇに従って構成されるプリディストータＧ_ＦＬ１１１５へ提供される。プリディストータＧ_ＦＬ１１１５は、対応する修正された入力仕様１０２を生成するために入力仕様１０５及びスキャン１５５を処理する。修正された入力仕様１２０はプリンタＨ１２５へ提供され、プリンタＨ１２５は修正された入力仕様１２０に従って、作製された部分１７５を印刷する。

作製された部分１７５はスキャナ（例えば光学スキャナ）１５０によりスキャンされ、スキャナ１５０は新たに作製された部分１７５のスキャン１５５を生成する。新しいスキャンデータ１５５は、次の印刷パスにおける使用のために、プリディストータＧ_ＦＬ １１１５へフィードバックされる。

非常に一般的には、修正された入力仕様１２０を生成するためにスキャン１５５及び入力仕様１０５の両方を使用するためにプリディストータＧ_ＦＬ１１１５を構成することにより、機械学習モデルは、例えば材料を印刷不足領域へ追加し、過印刷領域内の材料を低減し、縁を鋭くすることなどにより体系的及びランダム印刷欠陥を軽減し得る。

図１２を参照すると、図１１に示すプロセスの概略図はプリディストータＧ_ＦＬ１１１５、プリンタＨ１２５、スキャナ１５０、及びプリンタのシミュレーション

１１１６を含む。

印刷プロセスのより詳細な説明では、一連の物体仕様Ｘ_１．．．Ｘ_Ｎ１０３及び以前の実行Ｚ_ｎ－１からの対応するスキャン１５５は、パラメータΘ_Ｇに従って構成されるプリディストータＧ_ＦＬ１１１５へ提供される。プリディストータＧ_ＦＬ１１１５は、対応する一連の修正された入力仕様（ｙ_１．．．ｙ_Ｎ）１２０を生成するために物体仕様１０３及びスキャン１５５を処理する。一連の修正された入力仕様１２０は、プリンタＨ１２５へ提供され、プリンタＨ１２５は一連の１つ又は複数の修正された入力仕様１２０に従って、一連の１つ又は複数の作製された部分

を印刷する。作製された部分１７５はスキャナ１５０を使用してスキャンされ、次の印刷パスが始まる。

修正された入力仕様１２０及びスキャン１５５もまた、修正された入力仕様１２０及びスキャン１５５を処理して予測された作製部分

１７７を生成するプリンタのシミュレーション

１１１６に提供され得る。シミュレータ

１１１６は以下にさらに詳細に説明されるようにトレーニング目的のために使用される。

３．２ トレーニング
いくつかの例では、プリディストータＧ_ＦＬ１１１５及び

１１１６をトレーニングするために、トレーニングデータは以前の物体の印刷から収集され、収集されたトレーニングデータは、プリディストータＧ_ＦＬ１１１５のプリディストータパラメータΘ_Ｇ及びシミュレータ

１１１６のシミューレーションパラメータ

を決定するために使用される。

例えば、修正された入力仕様ｙ_ｉ、現在のスキャンＺ_ｉ及び以前以前のスキャンＺ_ｉ－１の多くのトリプル（ｙ_ｉ，Ｚ_ｉ、Ｚ_ｉ－１）を含むトレーニングデータが以前の印刷パス中に格納される。次に、トレーニングデータは、プリディストータＧ_ＦＬ１１１５のプリディストータパラメータΘ_Ｇ及びシミュレータ

１１１６のシミューレーションパラメータ

を決定するためにバッチトレーニング手順で処理される。

図１３を参照すると、このようなトレーニング手順の一例では、合成損失１３３０は、シミュレーション損失、逆設計損失、サイクル入力３Ｄモデル損失及びサイクル製造３Ｄモデル損失の和（又は加重和）として判断される。合成損失は、更新されたプリディストータパラメータΘ_Ｇ及び更新されたシミューレーションパラメータ

を決定するパラメータ最適化モジュール１１３１へ提供される。

いくつかの例では、パラメータ最適化モジュール１３３１は、パラメータΘ_Ｇ及び

を決定し、最適化アルゴリズムを使用して、パラメータΘ_Ｇ及び

を繰り返し更新し、いくつかの停止基準（例えば反復の数、収束）まで更新する。モデルパラメータを更新する１つの一般的やり方は、モデルパラメータに対する合成損失関数の傾きを計算／推定することを含む。例えば、人工ニューラルネットワークの逆伝搬アルゴリズムがこれらの傾き推定を使用する。当然、他のパラメータ更新方式を使用することができ得る。

３．２．１ シミュレーション損失計算
図１４を参照すると、シミュレーション損失を計算するために、シミュレーション損失計算モジュール１１３２（図１３を参照）は、修正された入力仕様ｙ_ｉ１２０、現在のスキャンＺ_ｉ１５５、及び、以前のスキャンＺ_ｉ－１１５５のトリプルを含むトレーニングデータを受信する。修正された入力仕様ｙ_ｉ１２０及び以前のスキャンＺ_ｉ－１１５５は入力としてシミュレータ

１１１６へ提供され、シミュレータ

１１１６は対応する予測された作製部分

１７７を生成する。トレーニングトリプル毎に、シミュレーション損失１４３６は現在のスキャンＺ_ｎ１５５と予測された作製部分

１７７との差として計算される。

３．２．２ 逆設計損失計算
図１５を参照すると、逆設計損失を計算するために、逆設計損失計算モジュール４３３（図３を参照）は、修正された入力仕様ｙ_ｉ１２０、現在のスキャンＺ_ｉ１５５、及び、以前のスキャンＺ_ｉ－１１５５のトリプルを含むトレーニングデータを受信する。現在及び以前のスキャンＺ_ｎ、Ｚ_ｎ－１１５５は、入力としてプリディストータＧ_ＦＬ１１１５へ提供され、プリディストータＧ_ＦＬ１１１５は対応する予測され修正された入力仕様ｙ’_ｎ１５２０を生成する。トレーニングトリプル毎に、逆設計損失１５３７は修正された入力仕様ｙ_ｎ１２０と予測され修正された入力仕様ｙ’_ｎ１５２０との差として計算される。

３．２．３ サイクル入力３Ｄモデル損失計算
図１６を参照すると、サイクル入力３Ｄモデル損失を計算するために、サイクル入力３Ｄモデル損失計算モジュール１３３４（図１３を参照）は、ペアの修正された入力仕様ｙ_ｉ１２０及び以前のスキャンＺ_ｉ－１１５５を含むトレーニングデータを受信する。トレーニングペア毎に、修正された入力仕様１２０及び以前のスキャンデータ１５５はシミュレータ

２１６へ入力として提供され、該シミュレータ
は、対応する予測された作製部分

）１７７を生成するためにこの仕様１２０を使用する。予測された作製部分１７７はプリディストータＧ_ＦＬ１１１５へ提供され、プリディストータＧ_ＦＬ１１１５は予測され修正された入力仕様ｙ’_ｎ１６２０を生成するためにこれを使用する。サイクル入力３Ｄモデル損失１６３８は修正された入力仕様１２０と予測され修正された入力仕様ｙ’_ｎ１６２０との差として計算される。

３．２．４ サイクル製造３Ｄモデル損失計算
図１７を参照すると、サイクル製造３Ｄモデル損失を計算するために、サイクル製造３Ｄモデル損失計算モジュール１３３５（図１３を参照）は、入力として以前のスキャンと現在のスキャンのペア（Ｚ_ｎ，Ｚ_ｎ－１）１５５を含むトレーニングデータを受信する。トレーニングデータペア毎に、現在のスキャンＺ_ｎ及び以前のスキャンＺ_ｎ－１はプリディストータＧ_ＦＬ１１１５へ提供され、プリディストータＧ_ＦＬ１１１５は予測され修正された入力仕様ｙ’_ｎ１７２０を生成するためにこれらを使用する。予測され修正された入力仕様ｙ’_ｎ１７２０及び以前のスキャンＺ_ｎ－１はシミュレータ

１１１６へ提供され、該シミュレータは対応する予測された作製部分

１７７を生成するためにこれらを使用する。サイクル製造３Ｄモデル損失１７３９は現在のスキャンＺ_ｎ１５５と予測された作製部分

１７７との差として計算される。

３．２．５ オンライントレーニング
図１８、１９を参照すると、上述の例はトレーニングデータのすべてが事前に収集され、トレーニングはランタイムシステムの展開前に「バッチ」で実行されるシナリオに関連している。。しかし、いくつかの例では、プリディストータＧ_ＦＬ１１１５及びシミュレータ

１１１６のトレーニングの一部又はすべては物体が印刷される際に実行される（すなわち、「オンライントレーニング」）。

図１８及び１０では、図１１に示す印刷プロセスは学習器モジュール１８１０を含むように更新される。非常に一般的には、学習器モジュール９１０は、進展するにつれ、修正された入力仕様（ｙ_ｎ）１２０、スキャン（Ｚ_ｎ，Ｚ_ｎ－１）１５５、及び予測された作製部分

１７７を印刷プロセスから受信し、そして、この時点までに受信したデータを使用してパラメータΘ_Ｇ及び

を繰り返し更新する。いくつかの例では、パラメータΘ_Ｇ及び

は各印刷パス後に更新される。他の例では、パラメータΘ_Ｇ及び

はｎ印刷パス毎に又は所定時間間隔に従って更新される。

一般的に、学習器モジュール９１０によりなされる更新は、上述のトレーニング技術を使用して行われるが、連続的且つパラメータ更新方式で効率的に働くように適応化される。

４ マシン状態を使用する付加製造
いくつかの例では、マシン状態モデルは、上述の付加製造プリンタについて決定される。マシン状態モデルは、付加製造プリンタハードウェアの状態の定量的記述である。いくつかの例では、マシン状態モデルは、各ノズルの噴射量、各ノズルの一貫性、プリントヘッドの位置合わせ及びモーションシステムの精度などの印刷品質に影響を与えるメトリックを含む。

図２０及び２１を参照すると、印刷プロセスは、マシン状態を推定し、そして、処理プログラム内で推定されたマシン状態を使用して、製作計画を立案する。特に、印刷プロセスには、各印刷パスに関連付けられた製作計画Ｕ_ｎ２０２０だけでなく、各印刷パス（すなわちＺ_ｎ－１及びＺ_ｎ）の前後に物体のスキャン１５５も受信する学習器モジュール２０１０を含む。学習器モジュール２０１０は、それらの入力からのマシン状態ｍ_ｎを推定し、この推定されたマシン状態を処理プログラム２０１５へ提供する。

物体仕様Ｘ_ｎ１０５が処理プログラム２０１５へ提供されると、処理プログラムは、マシン状態２０１７を考慮する物体仕様１０５の製作計画２０２０決定する。製作計画２０２０は、プリンタ１２５へ提供され、そして、プリンタ１２５に、作製された物体１７５を製作計画２０２０に従って印刷させる。作製された物体１７５はスキャナ１５０によりスキャンされ、このプロセスは繰り返す。

マシン状態モデルが、図２０及び２１のように印刷プロセス内へ取り込まれることにより、処理プログラムは、プリンタハードウェアをより有効に活用し、それに応じて製作計画を調整し得る。例えば、マシン状態を取り込んだ処理プログラムは、異なる噴射量を有するノズルを分散し、不適切な噴射ノズルを使用することを回避し、そしてモーションシステムの不正確さを補正し得る。処理プログラムが対処し得る処理よりも部分のパフォーマンスが悪い場合には、処理プログラムはこの問題を機械オペレータに知らせることができ得る。

一般的に、マシン状態は固定された手順又は機械学習モデルを使用して評価され得る。マシン状態を推定する１つのやり方は、上述のように、層を印刷する前後に２つの連続スキャンを取得することである。印刷層の各点において、印刷された部分の高さの増加が計算される。高さの増加は、ｘｙ印刷解像度を乗ずることにより体積の増加へ変換され得る。製作計画は当該点の上で噴射したノズルを識別するための情報を含む。この手順ではノズルを噴射量へ関連付けることができ得る。各ノズルは通常、層の多くの点の上で噴射するので、この手順では、当該ノズルにより噴射されたすべての点にわたる体積を平均化することにより、推定精度を改善し得る。機械学習モデルを使用することはさらに、液滴平坦化、合体、及び傾斜表面の流れなどの材料挙動を考慮することにより、精度を改善し得る。

図２２及び２３を参照すると、図２１及び２２に関して上に説明した印刷プロセスは、スキャン１５５を処理プログラム２２１５へ提供するフィードバックループにより拡張される。マシン状態はフィードバックループ制御により連続的に推定される。処理プログラム２２１５は、部分的な３Ｄ印刷のスキャン１５５のいかなる欠陥もチェックし、次の層を計画するためにマシン状態を取り込む。例えば、部分的な３Ｄ印刷の領域が予測される高さより低い場合、処理プログラムは次の数層の領域に過噴射ノズルを割り当て得る。

図２４を参照すると、いくつかの例では、印刷プロセスは、プリディストータ２４１５（例えば図２のプリディストータ）と推定マシン状態２４１７に従って製作計画２４２１を決定するように構成された処理プログラム２４１６とを含む。

特に、パラメータΘ_Ｇを使用して構成されたプリディストータＧは、入力物体仕様１０５を受信し、この物体仕様を処理して、修正された物体仕様２４２０を生成する。修正された物体仕様２４２０及びマシン状態２４１７は、プリンタ１２５を使用して、修正された物体仕様２４２０を作製するための製作計画２４２１を生成する処理プログラム２４１６へ提供される。

製作計画２４２１はプリンタ１２５へ提供され、該プリンタは作製された物体／部分１７５を生成する。作製された物体／部分１７５はスキャナ１５０によりスキャンされる。スキャン１５５及びプリント処理からの他のデータ（単純化のために省略）は、次の印刷パスの前にマシン状態２４１７及びプリディストータＧ２４１５のパラメータΘ_Ｇを更新する学習器モジュール２４１０へ提供される。

いくつかの例では、マシン状態モデルと機械学習モデルを組み合わせて使用することでエラーの様々な原因が減少する。例えば、機械学習モデルは材料に固有の体系的なエラーが減少する一方で、マシン状態モデルは、印刷ハードウェアの状態に関する情報を追加して、プリンタ固有のエラーを低減する。

図２５を参照すると、いくつかの例では、印刷プロセスはプリディストータＧ_ＦＬ２５１５（例えば図１１のプリディストータ）、推定されたマシン状態２５１７に従って製作計画２５２１を決定するように構成された処理プログラム２５１６、及びフィードバックループを含む。

特に、パラメータΘ_Ｇを使用して構成されたプリディストータＧ_ＦＬは、最後の印刷パスの後に、入力物体仕様１０５及び印刷された物体のスキャン１５５を（フィードバック経路を介して）受信し、物体仕様１０５及びスキャン１５５を処理して、修正された物体仕様２５２０を生成する。修正された物体仕様２５２０及びマシン状態２５１７は、プリンタ１２５を使用して、修正された物体仕様２４２０を作製するための製作計画２５２１を生成する処理プログラム２５１６へ提供される。

製作計画２５２１はプリンタ１２５へ提供され、プリンタは作製された物体／部分１７５を生成する。作製された物体／部分１７５はスキャナ１５０によりスキャンされる。印刷プロセスからのスキャン１５５及び他のデータ（単純化のために省略）は、次の印刷パスの前にマシン状態２５１７及びプリディストータＧ_ＦＬ２５１５のパラメータΘ_Ｇを更新する学習器モジュール２５１０へ提供される。学習器モジュールスキャン１５５はまた、次の印刷パスのためにプリディストータＧ_ＦＬ２５１５へフィードバック経路を介し提供される。

いくつかの例では、学習器モジュール２５１０は各印刷パスのマシン状態２５１７とプリディストータＧ_ＦＬ２５１５のパラメータΘ_Ｇとを更新する。他の例では、マシン状態２５１７及びプリディストータＧ_ＦＬ２５１５のパラメータΘ_Ｇはｎ印刷パス毎に更新される。

５ マシン状態入力を備えた機械学習モデルを使用する付加製造
５．１ ランタイム動作
図２６及び２７を参照すると、付加製造プロセスの別の例示的手法は、追加の入力として、前の印刷パスにおいて作製された物体のスキャン及びマシン状態を受信するように構成された機械学習ベースのプリディストータを使用する。

図２６及び２７に示す手法では、作製される物体の入力仕様（Ｘ_ｎ）１０５、前の印刷パスにおいて作製された物体のスキャン（Ｚ_ｎ－１）１５５、及び現在のマシン状態（ｍ_ｎ）２６１７の推定が、パラメータΘ_Ｇに従って構成されたプリディストータＧ_{ＦＬ＋ＭＳ}２６１５へ提供される。プリディストータＧ_{ＦＬ＋ＭＳ}２６１５は、入力仕様１０５、スキャン１５５、及び、マシン状態２６１７を処理して、対応する修正された入力仕様（ｙ_ｎ）１２０を生成する。修正された入力仕様１２０はマシン状態（ｍ_ｎ）２６１７と共に処理プログラム２６１６へ提供される。処理プログラム２６１６は、マシン状態２６１６に従って、修正された入力仕様１２０を処理して、製作計画（ｕ_ｎ）２５２１を生成する。製作計画２５２１はプリンタＨ１２５へ提供され、プリンタＨ１２５は作製された部分

１７５を製作計画２５２１に従って印刷する。

作製された部分１７５は、スキャナ（例えば光学スキャナ）１５０によりスキャンされ、スキャナ１５０は新たに作製された部分１７５のスキャン（Ｚ_ｎ）１５５を生成する。新しいスキャン１５５は次の印刷パスにおいて使用されるためにプリディストータＧ_ＦＬ２６１５へフィードバックされる。

図２７は、修正された入力仕様１２０、スキャンデータ１５５及びマシン状態２６１７もまた、修正された入力仕様１２０、スキャン１５５及びマシン状態２６１７を処理して予測された作製部分

１７７を生成するプリンタのシミュレーション

２６１６へ提供され得る。シミュレータ

２６１６は以下にさらに詳細に説明されるようにトレーニング目的に使用される。

最後に、学習器２６１０は、スキャン１５５、マシン状態２６１７、修正された入力仕様２６２０、及び場合によっては、プリディストータＧ_{ＦＬ＋ＭＳ}２６１５、シミュレータ

２６１６をトレーニングするため、そしてマシン状態２６１７を推定するための、スキャン他のデータを印刷プロセスから受信する。

５．２ トレーニング
いくつかの例では、プリディストータＧ_{ＦＬ＋ＭＳ}２６１５、シミュレータ

２６１６をトレーニングするため、そしてマシン状態２６１７を推定するために、トレーニングデータは以前の物体の印刷から収集され、収集されたトレーニングデータは、プリディストータＧ_{ＦＬ＋ＭＳ}２６１５のプリディストータパラメータΘ_Ｇ、シミュレータ

２６１６のシミューレーションパラメータ

、及びマシン状態２６１７の推定値を決定するために使用される。

例えば、修正された入力仕様ｙ_ｎ、現在のスキャンＺ_ｎ、以前のスキャンＺ_ｎ－１、及びマシン状態ｍ_ｎのクアドルプル（ｑｕａｄｒｕｐｌｅ）（ｙ_ｎ，Ｚ_ｎ，Ｚ_ｎ－１，ｍ_ｎ）を含むトレーニングデータは、前の印刷パス中に格納される。次に、当該トレーニングデータは、バッチ又はオンライントレーニング手順で処理されて、プリディストータＧ_{ＦＬ＋ＭＳ}２６１５のプリディストータパラメータΘ_Ｇ、シミュレータ

２６１６のシミューレーションパラメータ

、及びマシン状態２６１７の推定値を決定する。

図２８を参照すると、このようなトレーニング手順の一例では、合成損失２８３０は、シミュレーション損失、逆設計損失、サイクル入力３Ｄモデル損失及びサイクル製造３Ｄモデル損失の和（又は加重和）として決定される。合成損失は、更新されたプリディストータパラメータΘ_Ｇ及び更新されたシミューレーションパラメータ

を決定するパラメータ最適化モジュール２８３１へ提供される。

いくつかの例では、パラメータ最適化モジュール２８３１は、パラメータΘ_Ｇ及び

を決定し、最適化アルゴリズムを使用することによりパラメータΘ_Ｇ及び

を繰り返し更新し、いくつかの停止基準（例えば反復の数、収束）まで更新する。モデルパラメータを更新する一般的方法の一つは、モデルパラメータに対する合成損失関数の傾きを計算／推定することを含む。例えば、人工ニューラルネットワークの逆伝搬アルゴリズムがこれらの傾き推定を使用する。当然、他のパラメータ更新方式が使用することができ得る。

５．２．１ シミュレーション損失計算
図２９を参照すると、シミュレーション損失を計算するために、シミュレーション損失計算モジュール２８３２（図２８を参照）は、修正された入力仕様ｙ_ｎ、現在のスキャンＺ_ｎ、以前のスキャンＺ_ｎ－１、及びマシン状態ｍ_ｎのクアドルプル（ｙ_ｎ，Ｚ_ｎ，Ｚ_ｎ－１，ｍ_ｎ）を含むトレーニングデータを受信する。修正された入力仕様ｙ_ｎ２６２０、以前のスキャンＺ_ｎ－１１５５及びマシン状態ｍ_ｎ２６１７は入力としてシミュレータ

２６１６へ提供され、シミュレータ

２６１６は対応する予測された作製部分

１７７を生成する。トレーニングクアドルプル毎に、シミュレーション損失２９３６は現在のスキャンＺ_ｎ１５５と予測された作製部分

１７７との差として計算される。

５．２．２ 逆設計損失計算
図３０を参照すると、逆設計損失を計算するために、逆設計損失計算モジュール２８３３（図２８を参照）は、修正された入力仕様ｙ_ｎ、現在のスキャンＺ_ｎ、以前のスキャンＺ_ｎ－１及びマシン状態ｍ_ｎのクアドルプル（ｙ_ｎ、Ｚ_ｎ、Ｚ_ｎ－１、ｍ_ｎ）を含むトレーニングデータを受信する。現在及び以前のスキャンＺ_ｎ、Ｚ_ｎ－１１５５は入力としてプリディストータＧ_{ＦＬ＋ＭＳ}２６１５へ提供され、プリディストータＧ_{ＦＬ＋ＭＳ}２６１５は対応する予測され修正された入力仕様ｙ’_ｎ２６２１を生成する。トレーニングクアドルプル毎に、逆設計損失３０３７は修正入力仕様ｙ_ｎ２６２０と予測され修正された入力仕様ｙ’_ｎ２６２１との差として計算される。

５．２．３ サイクル入力３Ｄモデル損失計算
図３１を参照すると、サイクル入力３Ｄモデル損失を計算するために、サイクル入力３Ｄモデル損失計算モジュール２８３４（図２８を参照）は、修正された入力仕様ｙ_ｎ、以前のスキャンＺ_ｎ－１及びマシン状態ｍ_ｎのトリプル（ｙ_ｎ、Ｚ_ｎ－１、ｍ_ｎ）を含むトレーニングデータを受信する。トレーニングトリプル毎に、修正された入力仕様ｙ_ｎ、以前のスキャンＺ_ｎ－１及びマシン状態ｍ_ｎは入力としてシミュレータ

２６１６へ提供され、該シミュレータはそれらを使用して対応する予測された作製部分

１７７を生成する。予測された作製部分１７７、以前のスキャンＺ_ｎ－１及びマシン状態ｍ_ｎは、これらを使用して予測され修正された入力仕様ｙ’_ｎ２６２１を生成するプリディストータＧ_{ＦＬ＋ＭＳ}２６１５へ提供される。サイクル入力３Ｄモデル損失３１３８は修正された入力仕様ｙ_ｎ１２０と予測され修正された入力仕様ｙ’_ｎ２６２１との差として計算される。

５．２．４ サイクル製造３Ｄモデル損失計算
図３２を参照すると、サイクル製造３Ｄモデル損失を計算するために、サイクル製造３Ｄモデル損失計算モジュール２８３５（図２８を参照）は、入力として現在のスキャンＺ_ｎ、以前のスキャンＺ_ｎ－１及びマシン状態ｍ_ｎのトリプル（Ｚ_ｎ，Ｚ_ｎ－１、ｍ_ｎ）を含むトレーニングデータを受信する。トレーニングデータトリプル毎に、現在のスキャンＺ_ｎ、以前のスキャンＺ_ｎ－１及びマシン状態ｍ_ｎはプリディストータＧ_{ＦＬ＋ＭＳ}２６１５へ提供され、該プリディストータは、これらを使用して予測され修正された入力仕様ｙ’_ｎ２６２１を生成する。予測され修正された入力仕様ｙ’_ｎ２６２１、以前のスキャンＺ_ｎ－１及びマシン状態ｍ_ｎはシミュレータ

２６１６へ提供され、該シミュレータはこれらを使用して、対応する予測された作製部分

１７７を生成する。サイクル製造３Ｄモデル損失３２３９は現在のスキャンＺ_ｎ１５５と予測された作製部分

１７７との差として計算される。

６ 製作計画の生成を伴う機械学習モデルを使用した付加製造
６．１ ランタイム動作
図３３及び３４を参照すると、付加製造プロセスの別の例示的手法は、入力仕様、現在のマシン状態及び前に印刷された層のスキャンから、製作計画を直接生成するように構成された機械学習ベースのプリディストータを使用する。

図３３及び３４に示す手法では、作製される物体の入力仕様（Ｘ_ｎ）１０５、前の印刷パスにおいて作製された物体のスキャン（Ｚ_ｎ－１）１５５、及び現在のマシン状態（ｍ_ｎ）３３１７の推定は、パラメータΘ_Ｇに従って構成されたプリディストータＧ_Ｕ ３３１５へ提供される。プリディストータＧ_Ｕ３３１５は入力仕様１０５、スキャンデータ１５５及びマシン状態３３１７を処理して、製作計画（ｕ_ｎ）３３２１を生成する。製作計画３３２１はプリンタＨ１２５へ提供され、該プリンタは製作計画３３２１に従って、作製された部分

１７５を印刷する。

作製された部分１７５は、新たに作製された部分１７５のスキャン（Ｚ_ｎ）１５５を生成するスキャナ（例えば光学スキャナ）１５０によりスキャンされる。新しいスキャン１５５は、次の印刷パスで使用するために、プリディストータＧ_Ｕ３３１５へフィードバックされる。

図３４はまた、製作計画３３２１、スキャン１５５及びマシン状態３３１７もまた、プリンタのシミュレーション

３３１６へ提供され得る、該プリンタのシミュレーションは、製作計画３３２１、スキャンデータ１５５及びマシン状態３３１７を処理して、予測された作製部分

１７７を生成する。シミュレータ

３３１６は、以下にさらに詳細に説明されるようにトレーニング目的に使用される。

最後に、学習器３３１０は、プリディストータＧ_Ｕ３３１５、シミュレータ

３３１６をトレーニングし、マシン状態３３１７を推定するため、スキャン１５５、マシン状態３３１７、製作計画３３２１及び場合によっては他のデータを印刷プロセスから受信する。

６．２ トレーニング
いくつかの例では、プリディストータＧ_Ｕ３３１５、シミュレータ

３３１６をトレーニングし、マシン状態３３１７を推定するために、トレーニングデータは以前の物体の印刷から収集され、収集されたトレーニングデータは、プリディストータＧ_Ｕ３３１５のプリディストータパラメータΘ_Ｇ、シミュレータ

３３１６のシミューレーションパラメータ

、及びマシン状態３３１７の推定値を決定するために使用される。

例えば、製作計画ｕ_ｎ、現在のスキャンＺ_ｎ、以前のスキャンＺ_ｎ－１、及びマシン状態ｍ_ｎの多数のクアドルプル（ｕ_ｎ，Ｚ_ｎ，Ｚ_ｎ－１，ｍ_ｎ）を含むトレーニングデータは、前の印刷パス中に格納される。次に、当該トレーニングデータ及び場合によっては他のデータが、バッチ又はオンライントレーニング手順で処理されて、プリディストータＧ_Ｕ３３１５のプリディストータパラメータΘ_Ｇ、シミュレータ

３３１６のシミューレーションパラメータ

、及びマシン状態３３１７の推定値が決定される。

図３５を参照すると、このようなトレーニング手順の一例では、合成損失３５３０は、シミュレーション損失、逆設計損失、サイクル入力３Ｄモデル損失及びサイクル製造３Ｄモデル損失の和（又は加重和）として決定される。当該合成損失は、更新されたプリディストータパラメータΘ_Ｇ及び更新されたシミューレーションパラメータ

を決定するパラメータ最適化モジュール３５３１へ提供される。

いくつかの例では、パラメータ最適化モジュール３５３１は、パラメータΘ_Ｇ及び

を決定し、最適化アルゴリズムを使用して、パラメータΘ_Ｇ及び

を繰り返し更新し、いくつかの停止基準（例えば反復の数、収束）まで更新する。モデルパラメータを更新する一般的な方法の一つは、モデルパラメータに対する合成損失関数の傾きを計算／推定することを含む。例えば、人工ニューラルネットワークの逆伝搬アルゴリズムがこれらの傾き推定を使用する。当然、他のパラメータ更新方式を使用することができ得る。

６．２．１ シミュレーション損失計算
図３６を参照すると、シミュレーション損失を計算するために、シミュレーション損失計算モジュール３５３２（図３５を参照）は、製作計画ｕ_ｎ、現在のスキャンＺ_ｎ、以前のスキャンＺ_ｎ－１、及びマシン状態ｍ_ｎのクアドルプル（ｕ_ｎ，Ｚ_ｎ，Ｚ_ｎ－１，ｍ_ｎ）を含むトレーニングデータを受信する。製作計画ｕ_ｎ３３２１、以前のスキャンＺ_ｎ－１１５５及びマシン状態ｍ_ｎ３３１７は入力としてシミュレータ

３３１６へ提供され、シミュレータ

３３１６は対応する予測された作製部分

１７７を生成する。トレーニングクアドルプル毎に、シミュレーション損失３６３６は現在のスキャンＺ_ｎ１５５と予測された作製部分

１７７との差として計算される。

６．２．２ 逆設計損失計算
図３７を参照すると、逆設計損失を計算するために、逆設計損失計算モジュール３５３３（図３５を参照）は、製作計画ｕ_ｎ、現在のスキャンＺ_ｎ、以前のスキャンＺ_ｎ－１、及びマシン状態ｍ_ｎのクアドルプル（ｕ_ｎ，Ｚ_ｎ，Ｚ_ｎ－１，ｍ_ｎ）を含むトレーニングデータを受信する。現在及び以前のスキャンＺ_ｎ、Ｚ_ｎ－１１５５は入力としてプリディストータＧ_Ｕ３３１５へ提供され、プリディストータＧ_Ｕ３３１５は対応する予測された製作計画ｕ’_ｎ３３２０を生成する。トレーニングクアドルプル毎に、逆設計損失３７３７は製作計画ｕ_ｎ３３２１と予測された製作計画ｙ’_ｎ３３２０との差として計算される。

６．２．３ サイクル入力３Ｄモデル損失計算
図３８を参照すると、サイクル入力３Ｄモデル損失を計算するために、サイクル入力３Ｄモデル損失計算モジュール３５３４（図３５を参照）は、製作計画ｕ_ｎ、以前のスキャンＺ_ｎ－１及びマシン状態ｍ_ｎのトリプル（ｕ_ｎ、Ｚ_ｎ－１、ｍ_ｎ）を含むトレーニングデータを受信する。トレーニングトリプル毎に、製作計画ｕ_ｎ、以前のスキャンＺ_ｎ－１及びマシン状態ｍ_ｎは入力としてシミュレータ

３３１６へ提供され、該シミュレータはこれらを使用して、対応する予測された作製部分

１７７を生成する。予測された作製部分１７７、以前のスキャンＺ_ｎ－１及びマシン状態ｍ_ｎは、予測製作計画ｕ’_ｎ３３２０を生成するためにこれらを使用するプリディストータＧ_Ｕ３３１５に提供する。サイクル入力３Ｄモデル損失３８３８は製作計画ｕ_ｎ３３２１と予測された製作計画ｕ’_ｎ３３２０との差として計算される。

６．２．４ サイクル製造３Ｄモデル損失計算
図３９を参照すると、サイクル製造３Ｄモデル損失を計算するために、サイクル製造３Ｄモデル損失計算モジュール３５３５（図３５を参照）は、入力として現在のスキャンＺ_ｎ、以前のスキャンＺ_ｎ－１及びマシン状態ｍ_ｎのトリプル（Ｚ_ｎ，Ｚ_ｎ－１、ｍ_ｎ）を含むトレーニングデータを受信する。トレーニングデータトリプル毎に、現在のスキャンＺ_ｎ、以前のスキャンＺ_ｎ－１及びマシン状態ｍ_ｎはプリディストータＧ_Ｕ３３１５へ提供され、プリディストータＧ_Ｕ３３１５は予測製作計画ｕ’_ｎ３３２０を生成するためにこれらを使用する。予測製作計画ｕ’_ｎ３３２０、以前のスキャンＺ_ｎ－１及びマシン状態ｍ_ｎはシミュレータ

３３１６へ提供され、該シミュレータは対応する予測された作製部分

１７７を生成するためにこれらを使用する。サイクル製造３Ｄモデル損失３９３９は現在のスキャンＺ_ｎ１５５と予測された作製部分

１７７との差として計算される。

７ 統合されたマシン状態モデルと製作計画の生成を備えた機械学習モデルを使用する付加製造
７．１ ランタイム動作
図４０及び４１を参照すると、付加製造プロセスの別の例示的手法は、統合されたマシン状態を使用して、入力仕様および前に印刷された層のスキャンから製造計画を直接生成するように構成される機械学習ベースのプリディストータを使用する。一般的に、プリディストータは、以前の３Ｄスキャン及び部分的な製作計画に関する情報を格納することにより、マシン状態を自動的に推定する。いくつかの例では、プリディストータのニューラルネットワークアーキテクチャは再帰型ニューラルネットワーク構造を追加することにより履歴情報を格納するように適合されている。いくつかの例では、プリディストータは、人間の専門家により設計されたマシン状態モデルに基づいて、マシン状態独自の表現を学習する。有利なことに、プリディストータは、製造された部分の仕様及びスキャンを入力として受け取り、そして製造ハードウェアにより行われ得る製作計画を直接生成するという点で、処理ソフトウェアの実質的にすべての側面を統合する。

図４０及び４１に示す手法では、作製される物体の入力仕様（Ｘ_ｎ）１０５及び以前の印刷パスにおいて作製された物体のスキャン（Ｚ_ｎ－１）１５５は、パラメータΘ_Ｇに従って構成されたプリディストータＧ_Ｉ４０１５へ提供される。プリディストータＧ_Ｉ４０１５は、入力仕様１０５及びスキャン１５５を処理して、製作計画（ｕ_ｎ）４０２１を生成する。製作計画４０２１はプリンタＨ１２５へ提供され、該プリンタＨは製作計画４０２１に従って作製部分

１７５を印刷する。

作製された部分１７５は、新たに作製された部分１７５のスキャン（Ｚ_ｎ）１５５を生成するスキャナ（例えば光学スキャナ）１５０によりスキャンされる。新しいスキャン１５５は、次の印刷パスにおいて使用するためにプリディストータＧ_Ｉ４０１５へフィードバックされる。

図３５はまた、製作計画４０２１及びスキャン１５５が、製作計画４０２１及びスキャンデータ１５５を処理して、予測された作製部分

１７７を生成するプリンタのシミュレーション

４０１６へ提供され得ることを示す。シミュレータ

４０１６は、以下にさらに詳細に説明されるようにトレーニング目的で使用される。

最後に、学習器４０１０は、プリディストータＧ_Ｉ４０１５及びシミュレータ

４０１６をトレーニングするために、スキャン１５５及び製作計画４０２１、並びに場合によっては他のデータを印刷プロセスから受信する。

７．２ トレーニング
いくつかの例では、プリディストータＧ_Ｉ４０１５及びシミュレータ

４０１６をトレーニングするために、トレーニングデータは以前の物体の印刷から収集され、収集されたトレーニングデータを使用して、プリディストータＧ_Ｉ４０１５のプリディストータパラメータΘ_Ｇ及びシミュレータ

４０１６のシミューレーションパラメータ

が決定される。

例えば、修正された物体仕様ｙ_ｎ、現在のスキャンＺ_ｎ及び以前のスキャンＺ_ｎ－１のトリプル（ｙ_ｎ，Ｚ_ｎ，Ｚ_ｎ－１）の系列を含むトレーニングデータは前の印刷パス中に格納される。次に、トレーニングデータ及び場合によっては他のデータがバッチ又はオンライントレーニング手順で処理され、例えば「展開（ｕｎｒｏｌｌｉｎｇ）」手順を使用して再帰型ニューラルネットワークコンポーネントをトレーニングすることにより、プリディストータＧ_Ｉ４０１５のプリディストータパラメータΘ_Ｇ及びシミュレータ

４０１６のシミューレーションパラメータ

が決定される。

図４２を参照すると、このようなトレーニング手順の一例では、合成損失４２３０は、シミュレーション損失、逆設計損失、サイクル入力３Ｄモデル損失及びサイクル製造３Ｄモデル損失の和（又は加重和）として決定される。合成損失は、更新されたプリディストータパラメータΘ_Ｇ及び更新されたシミューレーションパラメータ

を決定するパラメータ最適化モジュール４２３１へ提供される。

いくつかの例では、パラメータ最適化モジュール４２３１は、パラメータΘ_Ｇ及び

を決定し、最適化アルゴリズムを使用してパラメータΘ_Ｇ及び

を繰り返し更新し、いくつかの停止基準（例えば反復の数、収束）まで繰り返す。モデルパラメータを更新する一般的な方法の一つは、モデルパラメータに対する合成損失関数の傾きを計算／推定することを含む。例えば、人工ニューラルネットワークの逆伝搬アルゴリズムがこれらの傾き推定を使用する。当然、他のパラメータ更新方式を使用することができ得る。

７．２．１ シミュレーション損失計算
図４３を参照すると、シミュレーション損失を計算するために、シミュレーション損失計算モジュール４２３２（図４２を参照）は、修正された物体仕様ｙ_ｎと以前のスキャンＺ_ｎ－１とのペア（ｙ_ｎ，Ｚ_ｎ）を含むトレーニングデータを受信する。修正された物体仕様ｙ_ｎは、修正された物体仕様を処理して、製作計画ｕ_ｎ４０２１を生成する処理プログラム４０１９に提供さる。

製作計画ｕ_ｎ４０２１及び以前のスキャンＺ_ｎ－１１５５は入力としてシミュレータ

４０１６へ提供され、シミュレータ

４０１６は対応する予測された作製部分

１７７を生成する。製作計画ｕ_ｎ４０２１はまた、製作計画ｕ_ｎ４０２１に従って作製された部分

１７５を印刷するプリンタ１２５へ提供される。

作製された部分がスキャンされ、結果としてスキャンＺ_ｎ１５５を生じる。トレーニングペア毎に、シミュレーション損失４３３６は、スキャンＺ_ｎ１５５と予測された作製部分

１７７との差として計算される。

７．２．２ 逆設計損失計算
図４４を参照すると、逆設計損失を計算するために、逆設計損失計算モジュール４２３３（図４２を参照）は、修正された物体仕様ｙ_ｎと以前のスキャンＺ_ｎ－１とのペア（ｙ_ｎ，Ｚ_ｎ）を含むトレーニングデータを受信する。

修正された物体仕様ｙ_ｎは、修正された物体仕様を処理して製作計画ｕ_ｎ４０２１を生成する処理プログラム４０１９へ提供される。製作計画ｕ_ｎ４０２１は、製作計画ｕ_ｎ４０２１に従って、作製された部分

１７５を印刷するプリンタ１２５へ提供される。作製された部分がスキャンされ、その結果スキャンＺ_ｎ１５５が生じる。

スキャンＺ_ｎ１５５と以前の印刷実行Ｚ_ｎ－１１５５は入力としてプリディストータＧ_Ｉ４０１５へ提供され、プリディストータＧ_Ｉ４０１５は対応する予測された製作計画ｕ’_ｎ４０２０を生成する。トレーニングペア毎に、逆設計損失４４３７は製作計画ｕ_ｎ４０２１と予測された製作計画ｕ’_ｎ４０２０との差として計算される。

７．２．３ サイクル入力３Ｄモデル損失計算
図４５を参照すると、サイクル入力３Ｄモデル損失を計算するために、サイクル入力３Ｄモデル損失計算モジュール４２３４（図４２を参照）は、製作計画ｕ_ｎと以前のスキャンＺ_ｎ－１とのペア（ｕ_ｎ，Ｚ_ｎ－１）を含むトレーニングデータを受信する。トレーニングペア毎に、製作計画ｕ_ｎ及び以前のスキャンＺ_ｎ－１は入力としてシミュレータ

４０１６へ提供され、該シミュレータはそれらを使用して対応する予測された作製部分

１７７を生成する。予測された作製部分１７７及び以前のスキャンＺ_ｎ－１は、予測製作計画ｕ’_ｎ４０２０を生成するためにこれらを使用するプリディストータＧ_Ｉ４０１５へ提供される。サイクル入力３Ｄモデル損失４５３８は製作計画ｕ_ｎ４０２１と予測製作計画ｕ’_ｎ４０２０との差として計算される。

７．２．４ サイクル製造３Ｄモデル損失計算
図４６を参照すると、サイクル製造３Ｄモデル損失を計算するために、サイクル製造３Ｄモデル損失計算モジュール４２３５（図４２を参照）は、入力として現在のスキャンＺ_ｎと以前のスキャンＺ_ｎ－１とのペア（Ｚ_ｎ，Ｚ_ｎ－１）を含むトレーニングデータを受信する。トレーニングデータペア毎に、現在のスキャンＺ_ｎと以前のスキャンＺ_ｎ－１はプリディストータＧ_Ｉ４０１５へ提供され、プリディストータＧ_Ｉ４０１５はこれらを使用して予測された製作計画ｕ’_ｎ４０２０を生成する。予測製作計画ｕ’_ｎ４０２０及び以前のスキャンＺ_ｎ－１はシミュレータ

４０１６へ提供され、該シミュレータはこれらを使用して、対応する予測された作製部分

１７７を生成する。サイクル製造３Ｄモデル損失４６３９は現在のスキャンＺ_ｎ１５５と予測された作製部分

１７７との差として計算される。

８． 代替案
いくつかの例では、物体（又は物体の一部）の仕様は、メッシュ（例えば頂点及び三角形のリスト）；トライアングルスープ、境界表現（ｂｒｅｐ：ｂｏｕｎｄａｒｙ ｒｅｐｒｅｓｅｎｔａｔｉｏｎ）、立体モデル：ボクセルグリッド（均一且つ適応型）、四面体モデル、材料割り当てによる立体モデル、手続き型モデル及び暗黙的モデルのうちの任意の１つとして表され得る。

本明細書に記載の態様は、インクジェットベースＡＭ、粉体床熱溶解積層方式（ＦＤＭ）、ステレオリソグラフィ（ＳＬＡ）、ＳＬＳ、ＤＭＬＳ及び電子ビーム溶解を含むが、これらに限定されない任意の数の付加製造プロセスへ適用可能である。

いくつかの例では、上述の処理プログラムは、３Ｄモデルである入力を受信する。出力には、製造ハードウェアへの移動方法／移動場所、材料の保管方法；材料の処理方法（例えば、硬化ユニットのオン、オフ、給電；レーザ出力等）；補助デバイス（例えばローラ、洗浄ステーション、熱管理等）；に関する指示を含む製作計画が含まれる。処理プログラムのタスクは、パーツの方向の決定、支持材の生成、デジタル層（例えばスライス）の計算、充填パターンの計算、輪郭の計算、マシン命令の生成を含む場合がある。さらに、感知データは処理プログラムへの入力として使用され得る。

処理プログラムはまた、入力としてマシン状態又は３Ｄスキャンデータ、あるいは、その両方を利用することができ得る。

処理プログラムは次のように規定され得る。入力には３Ｄモデルが含まれる。出力には、製造ハードウェアへの移動方法／移動場所、材料の保管方法；材料の処理方法（例えば、硬化ユニットのオン、オフ、給電；レーザ出力など）；補助デバイス（例えばローラ、洗浄ステーション、熱管理）；に関する指示を含む製作計画が含まれる。処理プログラムにおいて実行されるタスクは、パーツの方向の決定、支持材の生成す、デジタル層（例えばスライス）の計算、充填パターンの計算、輪郭の計算、そしてマシン命令の生成を含む。

感知データ（例えば各ボクセルの３Ｄスキャン及び材料ＩＤ）は処理プログラムへの追加の入力として使用され得る。例えば、処理プログラムは、センサデータを使用して製作計画を適合化する場合がある。マシン状態は、次の調整、各堆積デバイスから堆積される材料の量；堆積デバイスのモーションを行うことができる、例えば、プリントヘッド（通常はｙ軸）のオフセットを調整して、フラット印刷、高品質印刷、高速印刷を実現する。

いくつかの例では、上述の製作計画は、物体又は一組の物体を製造するために、ハードウェアにより実行される必要がある一連の操作を指す。上述の製作計画は、測位システムの動き、堆積デバイス（群）（例えば押し出し機、ディスペンサ、ノズル）からの堆積タイミング及び量を含むべきである。他の情報は、次の情報、硬化／焼結シーケンス及び設定（例えばＵＶ光、ＩＲ、熱）；支持デバイス（例えばローラ、スクレーパ）の移動及び設定、温度／圧力設定等を含む場合がある。製作計画は単一のシーケンスである必要はない。多くの異なるアクションが並列に実行され得る。多くの異なるアクションは同期されてもよいし非同期化されてもよい。計画は、物体全体に対するものであってもよいし、部分的な製作計画（例えば物体の一部に対するもの）であってもよい。計画には、センサからデータをキャプチャすることを含み得る。計画はこのデータに基づき修正される可能性がある。製作計画の例に関しては、図４を参照されたい。

いくつかの例では、上述のマシン状態は、機械のハードウェアの現在の状態、材料及び機能全体に関する情報を維持する。マシン状態は一般的に、すべてのプリンタ要素（例えばモーションシステム、堆積デバイス、硬化デバイス、補助デバイスなど）の性能モデル、各堆積デバイス（例えばノズル）の噴射量のモデル（例えば平均、分布）、構築体積内の位置に対する堆積デバイスの噴射量の変動、堆積デバイスのアラインメント、堆積材料の位置モデル（例えば、材料が吐出された場所と堆積された場所とに対するオフセット）、硬化／焼結強度モデル（例えば、現在のＵＶデバイスにより出力される光の量）、及び補助デバイス（例えばローラ、スクレーパ、平坦化デバイス）を含み得る。

いくつかの例では、マシン状態はプリンタ内のセンサにより取得された測定データに基づき更新される。３Ｄスキャナはこのような潜在的なセンサの１つである。マシン状態推定処理は、マシン状態を推定及び更新するために使用される。

限定されないが、三角測量（例えばレーザベースの三角測量）、Ｘからの深さ（例えば、焦点、焦点ぼけ、ステレオ、ライトフィールドデータからの深さ、飛行時間測定、干渉方、ＭｉｃｒｏＣＴ及びＴｅｒａｈｅｒｔｚイメージング）を含む多くの異なるタイプの３Ｄスキャンシステムが使用され得る。

さらに、上述の画像診断法のうちいずれも、２Ｄ撮像方法（例えばＣＭＯＳカメラ）と組み合わせることができ得る。

上記画像診断法には以下のデータを提供し得る：深度マップ（又は２．５Ｄ表現）、各ｘ，ｙ位置の深度値、データ及び補間関数、表面データ、例えば表面（又は表面の一部）を表すメッシュ、深度マップ＋色（例えば材料ラベル）、これは支持材料と構築材料（又は異なる構築材料）とを識別することを可能にする、表面データ＋色（例えば材料ラベル）、これは体積測定情報を表す体積測定データ（例えばボクセルグリッド上のデータ）、例えばテラヘルツイメージング、ｍｉｃｒｏＣＴ、ＯＣＴ等、体積測定データ＋材料ラベル、材料体積にはその特性（例えばスペクトル反射率、屈折率、吸収係数）及びセンサデバイスからの生の未処理データ（又は最小限に処理されたデータ）、を有する。

いくつかの例では、上述の機械学習モデルへの入力は、３Ｄモデル（前述の表現）であってもよいしその一部あってもよい。通常、トレーニング処理を単純化するために、モデルのサブセクションのみが使用される。例えば、データは、ボクセル層のセットであり、各層は画像データとして表され得る。

他の例では、入力は印刷された部分（又はここまでに印刷された部分）の３Ｄスキャンである。これは、例えば高さフィールドデータ（２．５）、又はラベル付けされた高さフィールド（２．５＋材料ラベル）、又は体積測定データ、又は材料ラベル付きの体積測定データとして表され得る。

さらに他の例では、入力は、様々なプリンタ部品（例えばプリントヘッド、測位システム、硬化システム、補助部品）の性能モデルを記述するマシン状態である。上記入力の組み合わせも使用され得る。

上述の機械学習モデルの出力は３Ｄモデル（前述の表現）であってもよいしその一部であってもよい。通常、トレーニング処理を単純化するために、モデルのサブセクションのみが使用される。例えば、データは、データは、ボクセル層のセットであり、各層は画像データとして表され得る。代替的に、出力は製作計画であり得る。

いくつかの例では、シミュレータ

及びプリディストータＧの一方又は両方が、一連の操作（「ビルディングブロック」）としての構造である。例えば、シミュレータは、プリンタ入力ｙ_ｎからの変換が最初に変換

を通り、次に、この変換の結果が

を通り、以下同様にしてその結果が期待されるプリンタ出力（又はそのスキャン）

を生成するような合成式

として表すことができる。同様に、プリディストータは

として同様に構造化され得る、例えば、本質的に、ｉ^ｔｈは成分の１つである

の事前逆を近似することができ得る。しかしながら、いくつかの手法では、

だけがこのような分解された形態を有するか、又はＧだけがこのような分解された形態を有するか、ということを認識しておく必要がある。

分解された形態を活用するいくつかの例では、プリディストータ及び／又はシミュレータは付加製造プロセスに固有であるビルディングブロックを含む。いくつかの例では、ビルディングブロックは畳み込みニューラルネットワークなどの一般的な形式を有し得る。しかし、代替的に、画像又はボリュームに通常使用される既存の畳み込みニューラルネットワーク構造を使用する代わりに、１つ又は複数のビルディングブロックが印刷プロセスの１つ又は複数の態様を近似するか、又は印刷プロセスの作用を逆転させる。いくつかの例では、パラメータは連続的である一方で、他の例では、パラメータは不連続である。

いくつかの例では、各（又は少なくともいくつかの）シミュレーション成分

は材料体積を取り、そして材料体積を戻す。これは

として表現され得る。ｙ_ｎが三次元体積（例えばボクセルの三次元アレイ）を表す例では、各ボクセルは材料組成、例えば特定の材料セットからの各材料の割合が割り当てられる。例えば、特定の時点において、材料Ａの４０％及び材料Ｂの６０％が存在する場合がある。空隙（材料無し）は、別個の材料として処理されてもよいし、１００％からの差として計算されても良い。様々な材料が、別々のチャネルを使用して符号化され得る。次の操作のリストは、

のいずれかで表されるプロセスを記述するために採用され得る：材料分率のぼかし、強調化、スケーリング、他の体積／画像処理フィルタ、変換、回転、体積／画像データのスケーリング、他のアフィン変換操作、形態学的操作（例えば、体積／画像の侵食、拡張）、画像／体積ガイド操作、及び体積／画像データを処理し、解像度に依存しない場合のあり得る低パラメータ解析式によって記述できる他の操作。

各操作にはパラメータを有し得る。例えば、ガウスぼかしは、ぼかしの量を制御する標準偏差によりパラメータ化され得る。平行移動演算は平行移動ベクトル（ｄｘ，ｄｙ，ｄｚ）によりパラメータ化され得る。関数Ｇ及び

を計算する処理には、１）所定のパラメータ化された変換のセットに対する特定の操作のシーケンスを決定すること、及び、２）各操作のパラメータ値を計算することを含む。これらの関数を計算すること又は学習するプロセスは、ニューラルネットワークトレーニングアルゴリズムと同様な最適化手順を効果的に含む。例えば、最適な操作シーケンスは離散探索戦略により決定され得る。特定シーケンス毎に、各操作のパラメータ値は、例えば、最急降下法、ニュートン法などの連続最適化を使用して計算され得る。これらの最適化のために定義された目的関数は事実上損失関数である。

様々なトレーニング手法が使用され得る。例えば、パラメータ化された変換

のシーケンスを選択した後、

の成分のパラメータがＧのパラメータと同時に推定される合成損失関数近似値手法が使用され得る。いくつかの代替案では、

の特性（すなわちパラメータ又はシーケンス及びパラメータ）が最初に決定され、Ｇのパラメータが決定される間に固定される。オンライン適応では、このような交替が続き得る。

いくつかのケースでは、演算子のシーケンスは探索過程の代わりに人間の専門家により定義され得る。パラメータ値は最適化処理により引き続き計算され得る。

いくつかの例では、プリディストータ及びシミュレータは多材質物体に対して機能するように構成される。プリディストータ及びシミュレータのパラメータは各材料によっても異なり得る（例えば構築材料と支持材料）。プリディストータ及びシミュレータのパラメータはまた、材料界面によっても異なり得る。いくつかの例では、プリディストータ及びシミュレータはまた、（部分的に）構築されたもの及び次に来る物の空間多材質構成に依存する。

９ 実施形態
上述の手法は、米国特許第１０，２５２，４６６号明細書：題名「ＳＹＳＴＥＭＳ ＡＮＤ ＭＥＴＨＯＤＳ ＯＦ ＭＡＣＨＩＮＥ ＶＩＳＩＯＮ ＡＳＳＩＳＴＥＤ ＡＤＤＩＴＩＶＥ ＦＡＢＲＩＣＡＴＩＯＮ」；及び米国特許第１０，４５６，９８４号明細書：題名「ＡＤＡＰＴＩＶＥ ＭＡＴＥＲＩＡＬ ＤＥＰＯＳＩＴＩＯＮ ＦＯＲ ＡＤＤＩＴＩＶＥ ＭＡＮＵＦＡＣＴＵＲＩＮＧ」に記載された手法へ取り込まれ得る、及び／又はそれと併せて使用され得る。これらの特許を参照により本明細書に援用する。

付加製造システムには通常、以下の部品を有する：コントローラアセンブリは通常、プロセッサ、メモリ、ストレージ、ネットワーク、ＩＯ及びディスプレイを備えたコンピュータである。コントローラアセンブリは処理プログラムを実行する。処理プログラムはまた、データの読み取りと書き込みができ得る。コントローラアセンブリは製造ハードウェアを効果的に制御する。コントローラアセンブリはまた、センサ（例えば３Ｄスキャナ、カメラ、ＩＭＵ、加速度計など）へアクセスする。

より一般的には、上述の手法は、例えば、好適なソフトウェア命令を実行するプログラム可能なコンピュータシステムを使用して実施されてもよいし、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）などの好適なハードウェアにおいて、又はいくつかのハイブリッド形態で実施されてもよい。例えば、プログラム手法では、ソフトウェアは、それぞれが少なくとも１つのプロセッサ、少なくとも１つのデータ格納システム（揮発性及び／又は不揮発性メモリ及び／又は格納要素を含む）、少なくとも１つのユーザインターフェース（少なくとも１つの入力デバイス又はポートを使用することにより入力を受信するための、そして少なくとも１つの出力デバイス又はポートを使用することにより出力を提供するための）を含む１つ又は複数のプログラムされた又はプログラム可能なコンピュータシステム（分散クライアント／サーバ又はグリッドなどの様々なアーキテクチャのものであり得る）上で実行する１つ又は複数のコンピュータプログラム内に手順を含み得る。ソフトウェアは、例えばデータフローグラフの設計、構成、及び実行に関係するサービスを提供するより大きなプログラムの１つ又は複数のモジュールを含み得る。プログラムのモジュール（例えばデータフローグラフの要素）は、データレポジトリ内に格納されたデータモデルに適合するデータ構造又は他の編成データとして実装され得る。

ソフトウェアは、非一時的形式で格納され得る、例えば、媒体の物理的性質（例えば表面のピット及びランド、磁区、又は電荷）を一定期間（例えばダイナミックＲＡＭなどのダイナミックメモリデバイスのリフレッシュ期間同士間の時間）の間使用することにより、揮発性又は不揮発性ストレージ媒体又は任意の他の非一時的媒体内に具現化される。命令をロードすることに備えて、ソフトウェアは、ＣＤ－ＲＯＭ又は他のコンピュータ可読媒体（例えば、汎用又は特殊用途コンピュータシステム又はデバイスにより可読な）などの有形な非一時的な媒体上で提供されてもよいし、ネットワークの通信媒体上で、それが実行されるコンピュータシステムの有形な非一時的媒体へ配送されてもよい（例えば、伝播された信号に符号化されてもよい）。処理の一部又はすべては、特殊用途コンピュータ上で、又はコプロセサ又はフィールドプログラマブルゲートアレイ（ＦＰＧＡ：ｆｉｅｌｄ－ｐｒｏｇｒａｍｍａｂｌｅ ｇａｔｅ ａｒｒａｙ）又は特定用途向け集積回路（ＡＳＩＣ：ａｐｐｌｉｃａｔｉｏｎ－ｓｐｅｃｉｆｉｃ ｉｎｔｅｇｒａｔｅｄ ｃｉｒｃｕｉｔ）などの専用ハードウェアを使用することにより行われ得る。処理は、ソフトウェアにより規定された計算の様々な部分が様々なコンピュータ要素により実行される分散的やり方で実施され得る。このような各コンピュータプログラムは、好適には、本明細書で説明された処理を行うために、ストレージデバイス媒体がコンピュータにより読み出されると、コンピュータを構成及び操作するための汎用又は特殊用途プログラム可能コンピュータによりアクセス可能なストレージデバイスのコンピュータ可読格納媒体（例えば固体メモリ又は媒体、又は磁気又は光学媒体）上に格納される、又はダウンロードされる。本発明システムはまた、コンピュータプログラムにより構成される有形の非一時的媒体として実現されると考えられ得る、ここでは、そのように構成された媒体は、コンピュータシステムを、本明細書に記載の処理のうちの１つ又は複数を実行するように特定及び所定のやり方で動作させる。

前述した説明は、添付の特許請求の範囲によって定義される本発明の範囲を説明することを意図しており、特許請求の範囲を限定することを意図していないことを理解されたい。特許請求の範囲における参照符号は、明確にするためのみに提供されており（例えば請求項と１つ又は複数の実施形態との関係を提供するため）、したがって特許請求の範囲によって保護される事柄の範囲を制限するものと見なすべきではない。他の実施形態は、以下の特許請求の範囲に含まれる。

Claims (22)

1. プリンタ（１２５）を介し３Ｄ物体を作製する方法であって：
   前記３Ｄ物体の第１の部分の３Ｄ仕様（１０５）を受信すること；
   前記物体の前記第１の部分の修正された３Ｄ仕様（１２０）を生成するために、前記３Ｄ仕様（１０５）を処理するプリディストータ（１１５）を使用すること、ここで、前記プリディストータ（１１５）は印刷プロセスの少なくともいくつかの特性を補償するために、構成データ（２２５）により構成される；及び、
   前記修正された３Ｄ仕様に少なくとも部分的に基づく前記印刷プロセスに従って、前記物体（１７５）の前記第１の部分を前記プリンタ（１２５）に印刷させること；
   を含む方法。
2. 前記プリディストータを使用することは、一連の構成可能なプリディストータを使用することを含み、前記構成可能なプリディストータの構成は、前記構成データ（２２５）に表される、請求項１に記載の方法。
3. 前記構成可能なプリディストータは、複数の利用可能なプリディストータに属し、前記構成データ（２２５）はさらに、前記一連のプリディストータ内の前記プリディストータの選択及び／又は順序付けを表す、請求項２に記載の方法。
4. 前記構成可能なプリディストータの少なくともいくつかは、解像度に依存しないプリディストータを含む、請求項２に記載の方法。
5. 前記３Ｄ仕様（１０５）は、作製される前記３Ｄ物体全体を表す、請求項１～４のいずれか一項に記載の方法。
6. 前記３Ｄ仕様（１０５）は、前記３Ｄ物体の既に作製された部分（１７０）上に作製される前記３Ｄ物体の追加の部分（１７５）を表す、請求項１～５のいずれか一項に記載の方法。
7. 前記既に作製された部分（１７０）を表すスキャンデータ（１５５）を生成するために、スキャナ（１５０）を使用することをさらに含む、請求項６に記載の方法。
8. 前記スキャンデータは、前記既に作製された部分の深度マップを含む、請求項７に記載の方法。
9. 前記スキャンデータは、前記既に作製された部分の複数の体積要素の三次元表現を含み、前記体積要素に関連付けられた材料識別子を含む、請求項７に記載の方法。
10. 前記プリディストータ（１１５）を使用することは、前記修正された３Ｄ仕様（１２０）を生成するために、前記既に作製された部分（１７０）を表す前記スキャンデータ（１５５）を使用することをさらに含む、請求項７に記載の方法。
11. 前記既に作製された部分（１７０）は、前記追加の部分（１７５）が作製される表面（１７１）を含み、前記スキャンデータ（１５５）は前記表面（１７１）を表す、請求項７に記載の方法。
12. 前記プリディストータを使用することは、人工ニューラルネットワークを適用することを含む、請求項１～１１のいずれか一項に記載の方法。
13. 前記プリンタに前記第１の部分を印刷させた後に前記構成データを更新することをさらに含む、請求項１～１２のいずれか一項に記載の方法であって：
    前記修正された３Ｄ仕様に従って前記第１の部分を印刷した後に、前記物体を表すスキャンデータを受信すること；
    前記構成データを更新するために、前記修正された３Ｄ仕様及び前記受信されたスキャンデータを含むデータを処理すること；
    前記物体の第２の部分の仕様を処理して、前記更新された構成パラメータに従って前記第２の部分の修正された３Ｄ仕様を生成すこと；及び、
    前記プリンタに前記物体の前記第２の部分を印刷させること；
    を含む方法。
14. ３Ｄ印刷システム（１００）を構成する方法であって：
    複数のトレーニングタプルを含むトレーニングデータ（２３０）を受信すること、各トレーニングタプルは、仕様（２２０）及び、前記印刷システム（１００）のプリンタ（１２５）を使用した前記仕様（２２０）の作製を表すスキャンデータ（２５６）を含む；及び、
    前記印刷システムを使用して印刷する際に使用するためのプリディストータ（１１５）を構成するための構成データ（２２５）を生成するために、前記トレーニングデータ（２３０）を処理すること；
    を含む方法。
15. 請求項１に記載の方法に従って３Ｄ物体を作製することをさらに含む請求項１２に記載の方法。
16. 各トレーニングタプルが、前記仕様（２２０）の作製が行われる部分（１７０）を表すスキャンデータ（２５５）をさらに含む、請求項１２に記載の方法。
17. プリンタ（１２５）を介し３Ｄ物体を作製する方法であって：
    前記３Ｄ物体の一部分の３Ｄ仕様（１０５）を受信すること；
    前記物体の前記一部分の修正された３Ｄ仕様（１２０）を生成するために、プリディストータ（１１５）を前記３Ｄ仕様（１０５）へ適用すること、ここで、前記プリディストータ（１１５）は、一連の構成可能なプリディストータを含み、前記プリディストータの構成は、構成データ（２２５）で表される；及び、
    前記修正された３Ｄ仕様に少なくとも部分的に基づく印刷プロセスに従って、物体（１７５）の前記第１の部分を前記プリンタ（１２５）に印刷させること；
    を含む方法。
18. プリンタ（１２５）を介し３Ｄ物体を作製する方法であって：
    ３Ｄ仕様（１０５）を受信すること、ここで、前記仕様（１０５）は、前記３Ｄ物体の一部分と、前記３Ｄ物体の既に作製された部分（１７０）上に作製される前記３Ｄ物体の追加の部分（１７５）とを表す；
    前記既に作製された部分（１７０）を表すスキャンデータ（１５５）を生成するために、スキャナ（１５０）を使用すること；
    前記物体の前記一部分の修正された３Ｄ仕様（１２０）を生成するために、前記既に作製された部分（１７０）を表す前記スキャンデータ（１５５）を使用して、プリディストータ（１１５）を前記３Ｄ仕様（１０５）へ適用すること、ここで、前記プリディストータ（１１５）は、印刷プロセスの少なくともいくつかの特性を補償するために構成データ（２２５）により構成される；及び、
    前記修正された３Ｄ仕様に少なくとも部分的に基づく前記印刷プロセスに従って、前記物体（１７５）の前記第１の部分を前記プリンタ（１２５）に印刷させること；
    を含む方法。
19. プリンタ（１２５）を介し３Ｄ物体を作製する際に使用されるプリディストータを構成する方法であって：
    印刷プロセスを表す第１の値を推定すること、ここで、前記印刷プロセスは、３Ｄ物体の仕様を受信し、前記物体を作製させるように構成される；及び、
    前記印刷プロセスの前処理（１１５）を表す第２の値を推定すること、ここで、前記前処理（１１５）は、前記３Ｄ物体（１０５）の仕様を受け入れ、前記物体の修正された仕様（１２０）を生成するように構成可能である；
    を含み、
    ここで、前記第１の値及び前記第２の値を推定することは、前記前処理（１１５）及び前記印刷プロセスの組み合わされた特性に少なくとも部分的に依存する損失関数を最適化すること、を含む方法。
20. 前記前処理（１１５）及び前記印刷プロセスの前記組み合わされた特性が、前記前処理（１１５）及び前記印刷プロセスの順次適用の特性を含む、請求項１８に記載の方法。
21. 格納された命令、データ処理システムによる前記命令の実行を含む非一時的な機械可読媒体は、前記システムに以下を引き起こす非一時的な機械可読媒体であって：
    ３Ｄ物体の第１の部分の３Ｄ仕様（１０５）を受信させること；
    プリディストータ（１１５）を使用して前記３Ｄ仕様（１０５）を処理し、前記物体の前記第１の部分の修正３Ｄ仕様（１２０）を生成すること、ここで、前記プリディストータ（１１５）は印刷プロセスの少なくともいくつかの特性を補償するために構成データ（２２５）により構成される；及び、
    前記修正３Ｄ仕様に少なくとも部分的に基づく前記印刷プロセスに従って物体（１７５）の前記第１の部分をプリンタ（１２５）に印刷させること；
    を含む、非一時的な機械可読媒体。
22. コントローラを含む三次元印刷システムであって：
    ３Ｄ物体の第１の部分の３Ｄ仕様（１０５）を受信すること；
    プリディストータ（１１５）を使用して前記３Ｄ仕様（１０５）を処理し、前記物体の前記第１の部分の修正された３Ｄ仕様（１２０）を生成すること、ここで、前記プリディストータ（１１５）は、印刷プロセスの少なくともいくつかの特性を補償するために構成データ（２２５）により構成される；及び、
    前記修正された３Ｄ仕様に少なくとも部分的に基づく前記印刷プロセスに従って、物体（１７５）の前記第１の部分をプリンタ（１２５）に印刷させること；
    を含む、システム。

Images