整合多物理仿真和机器学习，定义激光粉末床熔结中的飞溅机制和工艺窗口
内容提要
本文介绍了一种基于概率扩散框架的生成性深度学习模型，能够将低保真度模拟信息映射到高保真度结果，显著降低计算成本。该模型通过集成神经网络与物理规律，预测金属增材制造中的熔池动力学，优化熔池几何和缺陷识别，从而提升产品开发效率。
延伸解读
生成式模型如何降低仿真成本
文章提出基于概率扩散框架的生成式深度学习模型，将低保真度粗网格模拟映射到高保真度结果。该方法无需多次高保真模拟，仅用轻量级粗网格模拟即可预测熔池深度达3微米，分析时间比高保真模拟降低两个数量级。这为金属增材制造中计算密集的熔池动力学分析提供了高效替代方案。
物理信息机器学习避免求解复杂方程
通过集成神经网络与物理规律，物理信息机器学习方法能够预测金属增材制造中的熔池动力学，而无需直接求解高度非线性的Navier-Stokes方程。这显著降低了计算成本，同时保持对熔池行为的物理一致性约束，为工艺优化提供了兼顾效率与精度的新途径。
实时缺陷预测是技术普及的关键障碍
文章指出，利用熔池特征进行实时缺陷预测是金属增材制造技术普及的关键障碍之一。研究实践了基于时空模型的深度学习，用于分类不同材料、系统和应用的熔池图像序列，并发现只有Kinetics400预训练的SlowFast双流网络能在数据扰动下保持鲁棒泛化能力。
数字孪生与多保真度建模的协同
基于参数化物理模型的数字孪生（PPB-DT）可用于统计预测熔池几何和缺陷识别，其机器学习版本（PPB-ML-DT）能预测、监测和控制熔池几何，加速产品开发与认证。同时，多保真度建模结合高斯过程共克里金融合不同复杂度模型，提高预测精度并降低计算开销。
Q&A
什么是基于概率扩散框架的生成性深度学习模型？
该模型能够将低保真度模拟信息映射到高保真度结果，显著降低计算成本。
如何利用机器学习优化金属增材制造中的熔池几何？
通过集成神经网络与物理规律，预测熔池缺陷和几何形状，为工艺优化提供基础。
实时缺陷预测在金属增材制造中有什么重要性？
实时缺陷预测是金属增材制造技术普及的关键障碍之一。
数字孪生在激光粉末床熔化中的应用是什么？
数字孪生用于预测和监测熔池几何和缺陷识别，加快产品开发和认证过程。
深度强化学习如何优化激光粉床熔融过程中的残余应力？
通过减少残余应力、实现热量均匀分布、避免过热区域来优化熔融过程。
该研究如何降低金属增材制造的计算成本？
通过集成神经网络与物理规律，避免求解高度非线性的Navier-Stokes方程，显著降低计算成本。
