Обзор и анализ исследований генеративного искусственного интеллекта в создании биоинспирированных материалов для аддитивного производства

Авторы: Хохлов А.В.
Опубликовано в выпуске: #5(100)/2025
DOI:
Раздел: Информатика, вычислительная техника и управление | Рубрика: Информационные технологии. Компьютерные технологии. Теория вычислительных машин и систем
Ключевые слова: генеративный искусственный интеллект, большие языковые модели, аддитивное производство, биоинспирированные материалы, VQVAE-GAN, генетические алгоритмы, 3D-печать, оптимизация процесса
Опубликовано: 30.06.2025

В работе представлен аналитический обзор литературных источников зарубежных авторов, выполненных за последнее десятилетие. Рассмотрена интеграция генеративного искусственного интеллекта и больших языковых моделей в проектирование и производство биоинспирированных и механических материалов. Продемонстрирован значительный потенциал сочетания современных подходов с генетическими алгоритмами для оптимизации параметров аддитивного производства. На примере экспериментов с различными языковыми моделями, такими как GPT-4 и Claude-2, указана их способность манипулировать и отлаживать G-code. Показано, что генетические алгоритмы демонстрируют свою эффективность в решении сложных задач проектирования, минимизируя расход материалов. Доказано, что использование генеративного искусственного интеллекта в аддитивном производстве автоматизирует 3D-печать, снижая необходимость в операторах и повышая общую эффективность процессов.

Литература

[1] Naleway S.E., Porter M.M., McKittrick J., Meyers M.A. Structural design elements in biological materials: application to bioinspiration. Adv. Mater., 2015, vol. 27 (37). https://doi.org/10.1002/adma.201502403

[2] Dimas L.S., Buehler M.J. Modeling and additive manufacturing of bio-inspired composites with tunable fracture mechanical properties. Soft Matter., 2014, vol. 10 (25), pp. 4436–4442. https://doi.org/10.1039/c3sm52890a

[3] Badini S., Regondi S., Pugliese R. Unleashing the power of artificial intelligence in materials design. Materials, 2023, vol. 16 (17). https://doi.org/10.3390/ma16175927

[4] El-Shorbagy M., Alhadbani T.H. Monarch Butterfly Optimization-Based Genetic Algorithm Operators for Nonlinear Constrained Optimization and Design of Engineering Problems. J. Comput. Des. Eng., 2024, vol. 11. https://doi.org/10.1093/jcde/qwae044

[5] Hsu Yu-Chuan, Yang Zhenze, Buehler M.J. Generative design, manufacturing, and molecular modeling of 3D architected materials based on natural language input. APL Materials, 2022, vol. 10 (10). URL: https://hdl.handle.net/1721.1/145506 (accessed 15.05.2025).

[6] Chiang Yu-Hsuan, Tseng Bor-Yann, Wang Jyun-Ping, Chen Yu-Wen, Tung Cheng-Che, Yu ChiHua, Chen Po-Yu, Chen C.-S. Generating three-dimensional bioinspired microstructures using transformer-based generative adversarial network. J. Mater. Res. Technol., 2023, vol. 27. https://doi.org/10.1016/j.jmrt.2023.10.200

[7] Yujie Xiang, Jixin Hou,Xianyan Chen, Ramana Pidaparti, Kenan Song, Keke Tang, Xianqiao Wang. A GAN-based stepwise full-field mechanical prediction model for architected metamaterials. International Journal of Mechanical Sciences, 2024. https://doi.org/10.1016/j.ijmecsci.2024.109771

[8] Luu R.K., Buehler M.J., BioinspiredLLM: Conversational Large Language Model for the Mechanics of Biological and Bio-Inspired Materials. Adv. Sci., 2023, vol. 11 (10). https://doi.org/10.48550/arXiv.2309.08788

[9] Kang H.B., Chuan-En Lin D., Martelaro N., Kittur A., Chen Yan-Ying, Hong M.K. BioSpark: An End-to-End Generative System for Biological-Analogical Inspirations and Ideation. arXiv:2312.11388, 2023. https://doi.org/10.48550/arXiv.2312.11388

[10] Luu R.K., Buehler M.J. Materials Informatics Tools in the Context of Bio-Inspired Material Mechanics. J. Appl. Mech., 2023, vol. 90 (9). https://doi.org/10.1115/1.4062310

[11] Chiu Y.H., Liao Y.H., Juang J.Y. Designing Bioinspired Composite Structures via Genetic Algorithm and Conditional Variational Autoencoder. Polymers, 2023, vol. 15 (2). https://doi.org/10.3390/polym15020281

[12] Batu T., Lemu H.G., Shimels H. Application of Artificial Intelligence for Surface Roughness Prediction of Additively Manufactured Components. Materials, 2023, vol. 16 (18), art. no. 6266. https://doi.org/10.3390/ma16186266

[13] Pugliese R., Graziosi S. Biomimetic scaffolds using triply periodic minimal surface based porous structures for biomedical applications. SLAS Technol., 2023, vol. 28 (3), pp. 165–182.

[14] Pugliese R., Beltrami B., Regondi S., Lunetta C. Polymeric biomaterials for 3D printing in medicine: An overview. Ann. 3D Print. Med., 2021, vol. 2. https://doi.org/10.1016/j.stlm.2021.100011

[15] Badini S., Regondi S., Frontoni E., Pugliese R. Assessing the capabilities of ChatGPT to improve additive manufacturing troubleshooting. Adv. Ind. Eng. Polym. Res., 2023, vol. 6 (3). https://doi.org/10.1016/j.aiepr.2023.03.003

[16] Jignasu A., Marshall K., Ganapathysubramanian B., Balu A., Hegde C., Krishnamurthy A. Towards Foundational AI Models for Additive Manufacturing: Language Models for G-Code Debugging, Manipulation, and Comprehension. arXiv:2309.02465v1, 2023.

[17] Liqiao Xia, Chengxi Li, Canbin Zhang, Shimin Liu, Zheng P. Leveraging error assisted finetuning large language models for manufacturing excellence. Robot. Comput.-Integr. Manuf., 2024, vol. 24 (1). https://doi.org/10.1016/j.rcim.2024.102728

[18] Petrik J., Kavas B., Bambach M. MeltPoolGAN: Auxiliary Classifier Generative Adversarial Network for melt pool classification and generation of laser power, scan speed and scan direction in Laser Powder Bed Fusion. Addit. Manuf., 2023, vol. 78. https://doi.org/10.1016/j.addma.2023.103868

[19] Haochen Mu, Fengyang He, Lei Yuan, Houman Hatamian, Philip Commins, Pan Z. Online distortion simulation using generative machine learning models: A step toward digital twin of metallic additive manufacturing. J. Ind. Inf. Integr., 2024, vol. 38. https://doi.org/10.1016/j.jii.2024.100563

[20] Qihao Zhu, Xinyu Zhang, Luo J. Generative Pre-Trained Transformers for Biologically Inspired Design. IDETC-CIE, arXiv:2204.09714, 2022. https://doi.org/10.48550/arXiv.2204.09714