数字光处理（DLP）是一项基于光聚合的3D打印技术，以其制造速度快、分辨率高且可兼容多种光固化材料而著称。通过精确调整树脂成分及混合比例，DLP实现可调节的力学性能，支持从医疗领域的生物相容性水凝胶到软体机器人的离子型超弹性高弹体等广泛应用。  

灰度数字光处理（g-DLP）是DLP技术的一种先进变体，2016年前后基于微机电系统和组织工程研究开发而成，针对材料性能采用像素级控制。在g-DLP技术领域，光强的变化调节单体转化程度，进而影响局部交联密度。这允许用单个树脂槽直接打印出连续力学梯度。这是一种经济高效的多用途方法，可在单一打印过程中制造具有可编程力学性能、更高尺寸精度和强化韧性的结构。

然而，g-DLP存在一定的局限性。光固化树脂的性能可调性有限，对复杂几何形状的结构优化也有待充分探索。商用树脂通常在粘弹性阻尼与弹性模量之间进行权衡。

聚氨酯丙烯酸酯（PUA）树脂含有动态共价键，可在不过度延伸链条的情形下耗散能量，从而保持打印所需的低粘度；但其弹性模量通常仅在数兆帕到数百兆帕之间，无法满足机械要求严苛的应用。与此同时，g-DLP需要通过调节交联程度来实现空间可控的弹性模量，从而实现稳健设计。  

确定这些性能梯度的最佳分布和范围以及相应的灰度值，需要进行高级结构优化——机器学习的理想应用场景。  

美国麻省理工学院校友Miso Kim教授及其韩国科学技术院的团队致力于应对这些挑战。他们利用DLP打印技术制造机械超材料，生产用于柔性传感阵列的陶瓷复合材料，并开发高密度、高精度的铁电陶瓷结构，目前主要专注于g-DLP技术。

Kim教授团队开发了一个双向解决方案。他们首先开发出一种新型聚氨酯丙烯酸酯树脂系统，在保持优异阻尼性能的同时，将刚度范围从8.3 MPa大幅扩展至1.2GPa。他们设计了两个构建模块来实现这一目标：一个包含二硫键的软段；一个基于羟乙基丙烯酸酯的硬段。通过将这些材料以不同比例混合，他们制造出涵盖宽泛硬度范围的复合材料，并可保持DLP打印所需的低粘度。

其次，他们构建了一个由机器学习驱动的多目标贝叶斯优化框架，用于生成梯度结构及相应的灰度掩模，将其用于g-DLP打印。优化目标是降低应力集中并有效增强刚度。该自适应框架采用两阶段迭代方法：

1. 旨在改进设计生成的加权求和策略；

2. 旨在最大化超体积的帕累托前沿精化。然后通过有限元仿真对迭代生成的解决方案进行评估，以支持优化过程及打印结构的失效行为评估。

梯度材料优化旨在降低应力集中并增强结构完整性，10.1002/adma.202504075

为了展示其实际应用潜力，研究团队将该方法应用于承受反复压缩的人工软骨以及经受冲击测试的汽车保险杠。这两项应用均展现出显著的力学性能提升，验证了该框架的多用途性。  

未来研究方向包括探索超越PUA系统的g-DLP 功能性树脂，以及优化适用于时变载荷条件的梯度结构，以增强动态机械环境下的自适应响应。在优化算法的同时拓宽材料选项，可以进一步扩大该技术在各个领域的工业适用性。

复合材料化学与人工智能驱动的结构优化相结合，代表着增材制造领域的一项重大进步。这种结合分子设计、光聚合控制和计算优化的协同方法，为具有应用性机械性能的下一代3D打印材料奠定了基础。

参考文献：

J. Nam, B. Chen, M. Kim, Machine Learning-Driven Grayscale Digital Light Processing for Mechanically Robust 3D-Printed Gradient Materials Advanced Materials (2025), DOI: 10.1002/adma.202504075

*封图来源：Macey11 via Pixabay

《先进材料》（Advanced Materials）是一本超过30年历史，由Wiley出版发行的材料科学类知名权威期刊。期刊聚焦功能材料在化学、物理、生物等各项领域及相关交叉学科的前沿进展，影响力广泛。