arXiv:2510.26586v1 Announce Type: cross 
Abstract: In this study, we leverage a mixture model learning approach to identify defects in laser-based Additive Manufacturing (AM) processes. By incorporating physics based principles, we also ensure that the model is sensitive to meaningful physical parameter variations. The empirical evaluation was conducted by analyzing real-world data from two AM processes: Directed Energy Deposition and Laser Powder Bed Fusion. In addition, we also studied the performance of the developed framework over public datasets with different alloy type and experimental parameter information. The results show the potential of physics-guided mixture models to examine the underlying physical behavior of an AM system.

أظهرت دراسة حديثة نماذج مختلطة مبتكرة تعزز من اكتشاف العيوب في عمليات التصنيع الإضافي المعتمدة على الليزر. من خلال دمج المبادئ المستندة إلى الفيزياء، تتكيف هذه النماذج مع التغيرات المهمة في المعلمات الفيزيائية، مما يجعلها أكثر فعالية. تعد هذه الأبحاث، التي قامت بتحليل بيانات حقيقية من تقنيتين مختلفتين في التصنيع الإضافي، بتحسين جودة وموثوقية تقنيات الطباعة ثلاثية الأبعاد، وهو أمر حاسم للصناعات التي تعتمد على التصنيع الدقيق.

Un estudio reciente ha introducido modelos de mezcla innovadores que mejoran la detección de defectos en procesos de fabricación aditiva basados en láser. Al integrar principios basados en la física, estos modelos se adaptan a variaciones significativas en los parámetros físicos, haciéndolos más efectivos. La investigación, que analizó datos del mundo real de dos técnicas distintas de fabricación aditiva, promete mejorar la calidad y la fiabilidad de las tecnologías de impresión 3D, lo cual es crucial para las industrias que dependen de la fabricación de precisión.

Une étude récente a présenté des modèles de mélange innovants qui améliorent la détection des défauts dans les processus de fabrication additive basés sur le laser. En intégrant des principes basés sur la physique, ces modèles s'adaptent aux variations significatives des paramètres physiques, les rendant plus efficaces. La recherche, qui a analysé des données réelles de deux techniques distinctes de fabrication additive, promet d'améliorer la qualité et la fiabilité des technologies d'impression 3D, ce qui est crucial pour les industries dépendant de la fabrication de précision.

A recent study has introduced innovative mixture models that enhance the detection of defects in laser-based additive manufacturing processes. By integrating physics-based principles, these models adapt to significant variations in physical parameters, making them more effective. The research, which analyzed real-world data from two distinct additive manufacturing techniques, promises to improve the quality and reliability of 3D printing technologies, which is crucial for industries relying on precision manufacturing.

Physics-Informed Mixture Models and Surrogate Models for Precision Additive Manufacturing

arXiv:2601.08015v1 Announce Type: new 
Abstract: This paper presents a novel decoder-based approach for generating manufacturable 3D structures optimized for additive manufacturing. We introduce a deep learning framework that decodes latent representations into geometrically valid, printable objects while respecting manufacturing constraints such as overhang angles, wall thickness, and structural integrity. The methodology demonstrates that neural decoders can learn complex mapping functions from abstract representations to valid 3D geometries, producing parts with significantly improved manufacturability compared to naive generation approaches. We validate the approach on diverse object categories and demonstrate practical 3D printing of decoder-generated structures.

تم تقديم نهج جديد يعتمد على فك التشفير لتوليد هياكل ثلاثية الأبعاد قابلة للتصنيع، تم تحسينها للتصنيع الإضافي، باستخدام إطار تعلم عميق يقوم بفك تشفير التمثيلات الكامنة إلى كائنات قابلة للطباعة هندسياً. تحترم هذه المنهجية قيود التصنيع وتظهر قابلية تصنيع محسّنة مقارنة بأساليب التوليد التقليدية.

Se ha introducido un nuevo enfoque basado en decodificadores para generar estructuras 3D manufacturables optimizadas para la fabricación aditiva, utilizando un marco de aprendizaje profundo que decodifica representaciones latentes en objetos imprimibles geométricamente válidos. Esta metodología respeta las restricciones de fabricación y demuestra una manufacturabilidad mejorada en comparación con los métodos de generación tradicionales.

Une nouvelle approche basée sur un décodeur a été introduite pour générer des structures 3D manufacturables optimisées pour la fabrication additive, utilisant un cadre d'apprentissage profond qui décode des représentations latentes en objets imprimables géométriquement valides. Cette méthodologie respecte les contraintes de fabrication et démontre une manufacturabilité améliorée par rapport aux méthodes de génération traditionnelles.

A novel decoder-based approach has been introduced for generating manufacturable 3D structures optimized for additive manufacturing, utilizing a deep learning framework that decodes latent representations into geometrically valid, printable objects. This methodology respects manufacturing constraints and demonstrates improved manufacturability over traditional generation methods.

Decoder Generates Manufacturable Structures: A Framework for 3D-Printable Object Synthesis

arXiv:2601.05371v2 Announce Type: replace 
Abstract: Gaussian Process (GP) regression is a powerful nonparametric Bayesian framework, but its performance depends critically on the choice of covariance kernel. Selecting an appropriate kernel is therefore central to model quality, yet remains one of the most challenging and computationally expensive steps in probabilistic modeling. We present a Bayesian optimization framework built on kernel-of-kernels geometry, using expected divergence-based distances between GP priors to explore kernel space efficiently. A multidimensional scaling (MDS) embedding of this distance matrix maps a discrete kernel library into a continuous Euclidean manifold, enabling smooth BO. In this formulation, the input space comprises kernel compositions, the objective is the log marginal likelihood, and featurization is given by the MDS coordinates. When the divergence yields a valid metric, the embedding preserves geometry and produces a stable BO landscape. We demonstrate the approach on synthetic benchmarks, real-world time-series datasets, and an additive manufacturing case study predicting melt-pool geometry, achieving superior predictive accuracy and uncertainty calibration relative to baselines including Large Language Model (LLM)-guided search. This framework establishes a reusable probabilistic geometry for kernel search, with direct relevance to GP modeling and deep kernel learning.

تم تقديم إطار عمل جديد لاختيار نماذج العمليات الغاوسية (GP) بعنوان 'The Kernel Manifold'، والذي يركز على نهج هندسي لتحسين اختيار نوى التغاير. تستخدم هذه الطريقة إطار عمل تحسين بايزي يعتمد على هندسة نوى النوى، مما يسمح باستكشاف فعال لمساحة النوى من خلال المسافات المستندة إلى التباين المتوقع.

Se ha introducido un nuevo marco para la selección de modelos de Procesos Gaussianos (GP), titulado 'The Kernel Manifold', que enfatiza un enfoque geométrico para optimizar la elección de núcleos de covarianza. Este método utiliza un marco de optimización bayesiana basado en la geometría de núcleos de núcleos, permitiendo una exploración eficiente del espacio de núcleos a través de distancias basadas en la divergencia esperada.

Un nouveau cadre pour la sélection de modèles de processus gaussiens (GP), intitulé 'The Kernel Manifold', a été introduit, mettant l'accent sur une approche géométrique pour optimiser le choix des noyaux de covariance. Cette méthode utilise un cadre d'optimisation bayésienne basé sur la géométrie des noyaux de noyaux, permettant une exploration efficace de l'espace des noyaux grâce à des distances basées sur la divergence attendue.

A new framework for Gaussian Process (GP) model selection, titled 'The Kernel Manifold', has been introduced, emphasizing a geometric approach to optimize the choice of covariance kernels. This method utilizes a Bayesian optimization framework based on kernel-of-kernels geometry, allowing for efficient exploration of kernel space through expected divergence-based distances.

Physics-Informed Mixture Models and Surrogate Models for Precision Additive Manufacturing

Was this article worth reading? Share it

PlantFCE Model Builder

LucidQuery AI

3YOURMIND

NEVA

Hypertune

Z3D

Ready to build your own newsroom?