Aether, la società di biotecnologie di San Francisco dietro al bioprinter 3D multi-utensile Aether 1, ha annunciato l’inizio di un accordo di sviluppo congiunto di due anni con Procter & Gamble per lo sviluppo di tecnologie di stampa 3D e AI all’avanguardia.
L’ Aether 1 sarà utilizzato come piattaforma di creazione di tecnologia per sviluppare una serie di funzionalità hardware e software progettate per automatizzare e migliorare le applicazioni di ricerca di prodotti per P & G, nonché per sviluppare una stampante 3D di etere di nuova generazione.
“L’Aether sta lavorando con P & G per ridefinire completamente la stampa 3D. Non si tratta più di depositare un materiale o due in uno schema specifico “, ha affermato il CEO e fondatore di Aether, Ryan Franks. “Stiamo costruendo qualcosa di più simile a un artigiano robotico intelligente, in grado di eseguire compiti molto complessi con molti strumenti diversi, valutare visivamente e correggere il suo lavoro durante tutto il processo di fabbricazione e imparare costantemente come migliorare”.
Lo sviluppo includerà la creazione di una rete interconnessa di computer vision e algoritmi AI per aumentare l’automazione della stampa 3D multi-strumento e multi-materiale, oltre a creare una suite ampliata di funzionalità progettate per ampliare le possibilità per il campo della stampa 3D. Una serie di telecamere ad alte prestazioni verrà abbinata a un hardware progettato appositamente per consentire nuove funzionalità di robotica su una stampante 3D. Questi includono il monitoraggio della stampa in-situ in tempo reale con risposta dinamica dinamica per la regolazione dei parametri e la correzione degli errori, le prestazioni automatiche dei trattamenti di post-elaborazione, il riconoscimento e la manipolazione degli oggetti, l’automazione dei processi di produzione ibrida multi-tool.
Aether sta sviluppando software aggiuntivo per automatizzare l’elaborazione delle immagini per P & G con l’obiettivo di fornire un sostanziale aumento della velocità rispetto ai metodi di elaborazione manuale. Saranno utilizzate tecniche di apprendimento approfondito per addestrare reti neurali multiple come reti neuronali convoluzionali, reti profonde residue, reti di query generative o altre reti neurali generative per ottenere una conversione di file 2D / 3D automatica ad alta precisione per i ricercatori di P & G.