一篇新发表的论文展示了一套深度学习框架，可对激光粉末床熔融（LPBF）工艺参数与钛合金陀螺晶格设计进行协同优化，以同时提升可打印性与力学性能。研究聚焦Ti-6Al-4V，针对航空航天、国防与医疗植入物中广泛使用的轻量化与吸能结构。

该研究构建了数据驱动的代理模型，将设计变量（单胞尺寸、壁厚、梯度化）与工艺参数（激光功率、扫描速度、扫描间距、层厚、扫描策略）映射至密度、尺寸误差、表面质量与压缩力学响应等结果。深度神经网络作为快速预测器嵌入多目标优化器，可在几何与LPBF参数空间同步搜索，例如在约束可打印性的前提下最大化刚度重量比。代理模型将高维搜索压缩至毫秒级预测，使优化器无需占用设备即可评估数千种候选组合。

论文指出，该方法有望减少试错构建次数、收紧尺寸控制并提升力学性能一致性，尤其适用于可打印性沿构建方向变化的功能梯度晶格。服务商可将钛合金LPBF参数开发周期从数周压缩至数天，降低粉末与机时消耗；医疗植入物开发者可锁定满足目标模量的陀螺填充结构并保持工艺包络可审计。论文未披露数据集规模、打印试样数量及相对基线调优的性能提升幅度，代理模型跨设备与粉末批次的迁移性、对铺粉损伤与扫描矢量旋转的敏感性亦未明确。该工作为切片前的离线优化，未涉及实时闭环控制。