AIがNASAの航空宇宙合金の3D印刷を容易にする

金属3Dプリンティングは、従来の製造では作りにくい内部冷却チャンネルや形状を持つロケットエンジン部品を作成できます。しかし、コンピュータ上で高度な部品を設計できても、製造業者がそれをうまく印刷できるとは限りません。

レーザー出力、走査速度、粉末供給、ガス流量、層厚のすべての組み合わせが結果に影響します。適切でない組み合わせは、孔や割れ、結合不良を引き起こす可能性があります。最適な設定を見つけるには、数か月にわたる高コストの試行錯誤が必要になることが多いです。

ワシントン州立大学とミネソタ大学の研究者は、人工知能がこの探索を大幅に効率化できることを実証しました¹。彼らのシステムは、NASAが開発した難しい銅合金であるGRCop-42を、低出力でより広く利用可能な金属3Dプリンターで印刷する複数の方法を特定しました。

この成果は単一の合金に留まらない重要性を持ちます。AIはメーカーが新素材をより速く生産に移行させ、プロセス開発コストを削減し、特殊な航空宇宙部品を製造できる施設の数を拡大できることを示唆しています。

GRCop-42が航空宇宙製造にとって価値がある理由

GRCop-42は、部品が極端な高温に耐える必要がある環境向けに開発された銅、クロム、ニオブ合金です。高い熱伝導性と強度、酸化耐性、クリープ耐性、熱疲労耐性を兼ね備えています。

これらの特性により、ロケットエンジンの燃焼室、熱交換器、その他の高熱流システムで特に有用です。銅は熱伝導性に優れますが、従来の銅合金は高温になると強度が低下します。GRCop-42は両方の要件をバランスさせるよう設計されています。

この合金を価値あるものにする特性は、印刷を困難にします。銅は一般的なファイバーレーザーが放つ赤外線エネルギーの大部分を反射します。また、吸収した熱を溶融プールから非常に速く除去します。プリンターが安定した溶融プールを作り維持できなければ、堆積した材料は適切に結合しません。

メーカーはより高出力の装置を使用して補うことができますが、参入コストが上がります。そこで研究者は、GRCop-42を900ワット未満、特に多くの機械が対応できる500〜700ワットの範囲で成功裏に堆積できるかどうかを検討しました。

AIが高コストの試行錯誤プロセスに取って代わった方法

チームはベイズ実験設計（Bayesian Experimental Design for Additive Manufacturing）というフレームワーク、通称BEAMを開発しました。BEAMはプリンターを自律的に操作したり部品を発明したりするわけではなく、次にテストすべき印刷設定を決定します。

BEAMは過去の実験（失敗した印刷を含む）から開始します。プリンター設定と許容できる構造が得られる確率を結びつける確率モデルを構築し、次に少量の実験を物理的にテストする設定を選択します。その結果がモデルにフィードバックされ、サイクルが繰り返されます。

これはAIの実用的な活用例であり、物理実験をループに保ちます。他の研究者も同様にレーザー式金属加工の精度向上にAIを適用しています。モデルはすべての冶金的相互作用を完全にシミュレートする必要はなく、各高価な実験を手作業の推測よりも有益にすることが求められます。

経済的インセンティブは大きいです。論文によれば、1回の指向性エネルギー堆積（Directed Energy Deposition）作業の費用は500〜1,000ドルです。印刷後の解析にはサンプルあたりさらに500ドルが必要で、1〜4週間かかります。そのため、新しい合金のプロセスウィンドウを探索する費用は、専門技術者の数か月分の労働を考慮しなくても10万ドルを超えることがあります。

研究者がテストした内容

研究者は、1,000ワットの赤外線ファイバーレーザーを搭載した5軸指向性エネルギー堆積システムを使用しました。指向性エネルギー堆積は金属粉末をレーザーで生成された溶融プールに供給し、表面に徐々に材料を構築します。このケースでは、システムはGRCop-42を高温用途で広く使用される別の合金Inconel 718上に堆積させました。

供給速度、ガス流量、走査速度、層厚、レーザー出力の組み合わせにより、各出力レベルで約100万件の候補構成が生成されました。この膨大な空間を手動で探索する代わりに、BEAMは各選択されたレーザー出力につき10回の実験予算のみを与えられました。

3か月以内に、フレームワークはすべての出力レベルで少なくとも1つの実行可能な構成を見つけました。成功したサンプルは、欠陥が最小限の実体内部と、GRCop-42とInconel 718材料間のスムーズな遷移を示しました。チームはまた、異常に高速な走査速度と通常より薄い層が実体構造の生成に重要であることを発見しました。

低出力印刷が先進合金へのアクセス拡大につながる可能性

500ワットでGRCop-42を印刷することは、レーザー1台が消費する電力を減らすだけではありません。使用できる装置が変わります。論文は、関連するプリンターの90%以上が500〜1,000ワットの範囲で動作していると推定しています。この範囲で信頼できる設定を見つけることで、大学や小規模メーカー、専門研究施設が、より高価なシステムを必要とする可能性のある合金を扱えるようになるでしょう。

低出力での運転は、歪みの低減、表面品質の向上、レーザー光学系の摩耗制限、後処理要件の削減にもつながります。これらの利点は特定の生産プロセスで測定する必要がありますが、パラメータ探索が技術的実現性と同様に製造コストに影響する理由を示しています。

潜在的な利点は次のとおりです:

• 材料開発中の失敗ビルドが減少
• 装置および後処理要件の低減
• 新素材・部品の認定が迅速化
• 特殊金属部品の分散生産が拡大

この最後の点は航空宇宙および防衛分野に特に関係しています。これらの産業は少量の特殊部品を必要とし、適格なサプライヤーが少ないサプライチェーンに直面することが多いです。より多くの機械に移転可能なプロセスは、限定的な生産ロットが単一施設への依存度を下げることにつながります。

AIが材料商業化ツールになる可能性

この大きな機会はGRCop-42に限定されません。金属積層造形は多くの有望な合金をサポートしますが、各新素材と機械の組み合わせはそれぞれ独自のプロセスウィンドウを必要とします。あるプリンターで有効な設定でも、レーザー、粉末、雰囲気、ジオメトリ、熱挙動の違いにより別のプリンターへは完全に移転できないことがあります。

これが隠れたボトルネックを生み出します。材料科学者は優れた特性を持つ合金を設計できますが、メーカーはそれを完成部品に変換する手頃で再現性のある方法をまだ持っていないことがあります。同様のAI支援手法は、すでにより強く、耐食性の高い3D印刷可能な鋼材の開発に利用されています。AI主導の実験設計は、失敗実験を有用なデータとして扱い、検索空間の中で実現可能性が高い領域に資源を集中させることで、残された製造ギャップを埋める手助けができます。

企業が機械や材料横断でデータを蓄積すれば、モデルは最終的に類似合金から得た知識でプロジェクトを開始できるようになるでしょう。これにより、プロセス開発の履歴が再利用可能な製造資産となります。

しかし、本研究は500ワットで飛行可能な部品が印刷できることの証明と解釈すべきではありません。研究者は実験室サンプルを作成しただけで、認証されたロケットエンジンはありません。航空宇宙分野での採用には、再現性試験、機械的テスト、部品レベルの検証、そして厳格な品質システム下での承認が依然として必要です。BEAMは実行可能な設定の発見を加速しましたが、これははるかに長い商業化プロセスの初期段階であり、コストがかかります。

AI対応金属積層造形への投資

航空宇宙、AI、積層造形が交差する領域で事業を展開する企業に関心のある投資家には、Velo3D (VELO )が特に適切な例です。同社は、ミッション・クリティカルな航空宇宙・防衛用途向けのSapphireファミリー金属積層造形システムを開発しています。

Velo3Dはすでに自社プラットフォームでGRCop-42の適格性を確認しています。同社の技術は、論文でテストされた指向性エネルギー堆積プロセスではなく、レーザー粉末床融融合を使用しているため、BEAMの設定をそのままSapphireプリンターに転用することはできません。とはいえ、広い原則は依然として重要です: AI主導の探索は、プリンター製造業者が難しい材料を適格化し、開発コストを削減するのに役立ち得ます。

これは、プロセス知識の蓄積に基づく自然な投資テーマを提供します。金属印刷における長期的な競争優位は、レーザー出力やビルドボリュームだけに起因するものではありません。高度な材料の幅広い範囲を信頼性のある、再現可能で認証可能な部品に変換できる企業に依存する可能性があります。

Velo3Dは実行力、資金調達、競争、顧客集中リスクにさらされた投機的な小型株です。それでも、同社の航空宇宙への注力と既存のGRCop-42対応能力は、AIが産業プロセス開発に深く統合されるにつれて注目すべき上場企業となります。

AIが物理技術の開発方法を変えている

BEAMの最も重要な特徴は、AIを物理的な産業制約に適用する点です。テストが必要な概念を生成するわけではなく、次に実施すべき実世界テストを選択し、結果から学習し、次の実験をより情報に基づいたものにします。

この閉ループは、製造におけるAIの決定的なパターンとなり得ます。材料や部品がますます専門化するにつれ、徹底的な実験は遅く高コストになります。機械学習と専門知識を組み合わせたシステムは、科学者やエンジニアをプロセスから排除せずに探索範囲を絞り込むことができます。

航空宇宙メーカーにとって、直近の成果は価値あるNASA合金をより手軽に印刷できるようになることです。より深い意味として、AIは先進材料の発見から有用部品の製造までのプロセスを短縮する可能性があります。これにより、積層造形は幾何学的自由度を超えて拡大し、材料自体の商業化をより迅速なプラットフォームに変えることができるでしょう。

参考文献:

^{1. Fadhel, A., Zuckschwerdt, N. W., Deshwal, A., Bose, S., Bandyopadhyay, A., & Doppa, J. (2026). AI駆動の適応実験設計による金属合金の実行可能な3D印刷構成の発見. Proceedings of the AAAI Conference on Artificial Intelligence, 40(47), 39939-39948. https://doi.org/10.1609/aaai.v40i47.41428}