受美國空軍研究署資助，空軍研究實驗室和賓夕法尼亞州立大學的研究人員建立了一個神經網路框架，可實時診斷3D列印錯誤。
3D列印可按需低成本製造電磁裝置零件，但製造過程中的任何細微缺陷都可能導致大規模系統故障。研究人員訓練了列印缺陷與電磁效能指標相關性的神經網路框架，採用機器學習技術實時診斷列印過程中的錯誤。首先，使用墨水直寫列印技術製備阿基米德螺線；然後，使用顯微鏡拍攝列印過程影象，並採用降維的方法，透過壓縮影象提取最大連續元素區域外部輪廓座標，以生成資料集並訓練神經網路；最後，使用機器學習方法實時監測列印過程影象，預測電磁效能。研究結果表明：訓練後的卷積神經網路確定了影響零件電磁效能的關鍵幾何特徵，可對3D列印錯誤進行實時反饋。
這項研究可應用於3D列印電磁裝置元件過程中的錯誤診斷及分類，促進3D列印在製造關鍵軍用零部件中的應用。
論文：Mapping geometric and electromagnetic feature spaces with machine learning for additively manufactured RF devices
