Zespół z Washington State University stanął przed przestrzenią ponad 100 milionów możliwych ustawień drukarki do metalu i wykonał w laboratorium tylko czterdzieści wydruków. Sześć z nich wyszło poprawnie, a jeden po raz pierwszy przy mocy lasera 500 watów.
- Naukowcy z Washington State University przetestowali zaledwie 40 konfiguracji drukarki metalowej spośród ponad 100 milionów możliwych ustawień, uzyskując 6 poprawnych wydruków stopu GRCop-42 – materiału opracowanego przez NASA stosowanego w komorach spalania silników rakietowych.
- GRCop-42 to stop miedzi, chromu i niobu, którego druk przyrostowy jest wyjątkowo trudny – 90% komercyjnych drukarek nie jest w stanie go przetworzyć, a pojedyncze uruchomienie procesu może kosztować setki dolarów i wymagać kilku dni oceny jakości próbki.
- Punktem wyjścia dla modelu AI było 37 wcześniej nieudanych konfiguracji przetestowanych przez inżynierów materiałowych, które posłużyły do zbudowania systemu szacującego prawdopodobieństwo sukcesu dla nieprzetestowanych ustawień.
To jeden z tych wyników, które łatwo przeoczyć w hałasie wokół dużych modeli językowych, a które mają twarde przełożenie na przemysł. Nie chodzi o czatbota ani o generowanie obrazków, tylko o materiał używany w komorach spalania silników rakietowych na paliwo ciekłe.
Chcesz czytać więcej treści związanych z AI?
Dodaj AIPORT.pl do preferowanych źródeł Google
Stop, którego nie ruszy dziewięć komercyjnych drukarek na dziesięć
GRCop-42 to stop miedzi, chromu i niobu opracowany przez NASA. Świetnie odprowadza ciepło i zachowuje wytrzymałość w skrajnie wysokich temperaturach, dlatego trafił do lotnictwa i kosmonautyki. Problem w tym, że jego druk przyrostowy jest drogi i energochłonny, bo wymaga dużej mocy lasera. Pojedyncze uruchomienie procesu potrafi kosztować setki dolarów, a szczegółowa ocena jakości wydrukowanej próbki zajmuje kilka dni.
Skala trudności jest łatwa do zrozumienia. Parametry procesu, czyli moc lasera, prędkość skanowania i kilka innych zmiennych, dają razem ponad sto milionów kombinacji. Naukowcy z góry wiedzieli, że działa z nich znikomy ułamek. Wcześniejsze ręczne próby w laboratorium inżynierii mechanicznej i materiałowej WSU kończyły się niepowodzeniem przez wiele miesięcy.
„Dziewięćdziesiąt procent komercyjnych drukarek nie jest w stanie wydrukować tego stopu” / „Ninety percent of commercial printers cannot print this metal alloy” powiedział Janardhan Rao Doppa, profesor informatyki z WSU i kierownik badań, dodając, że znalezienie działających parametrów w praktyce otwiera ten materiał na zwykłe maszyny.
Czterdzieści eksperymentów zamiast stu milionów
Punktem wyjścia było 37 nieudanych konfiguracji przetestowanych wcześniej przez inżynierów materiałowych. Zespół użył tych porażek do zbudowania modelu, który szacował prawdopodobieństwo, że nietestowane jeszcze ustawienie da poprawny wydruk. Model wskazywał następnie niewielkie partie konfiguracji, łącząc dwa cele: sprawdzanie najbardziej obiecujących opcji i badanie obszarów niepewnych, które miały poprawić samą jakość predykcji.
Sygnał zwrotny był binarny. Wydruk albo się udał, albo nie, bez żadnej informacji pośredniej o tym, jak blisko sukcesu był dany zestaw parametrów. To sytuacja znacznie trudniejsza dla algorytmu niż optymalizacja funkcji ciągłej, gdzie każdy krok mówi, czy idziemy w dobrą stronę.
Efekty po trzech miesiącach pracy:
- ponad 100 mln możliwych kombinacji parametrów w przestrzeni poszukiwań
- 37 wcześniejszych nieudanych wydruków jako materiał startowy dla modelu
- 40 eksperymentów wykonanych fizycznie w laboratorium
- 6 działających konfiguracji przy różnych poziomach mocy lasera
- pierwszy w historii poprawny wydruk GRCop-42 przy mocy 500 W
Ta ostatnia liczba jest tu najważniejsza. Lasery o niższej mocy siedzą w znacznie większej liczbie maszyn dostępnych na rynku. Niższa moc oznacza też mniejsze zużycie energii, wolniejsze zużywanie się sprzętu i tańszą obróbkę po wydruku.
Azza Fadhel, doktorantka informatyki i pierwsza autorka pracy, opisała wcześniejsze próby krótko: „produkt po prostu się stapiał” / „the product just melted”. Ciekawsze jest jednak to, co powiedziała o porażkach w trakcie samego eksperymentu. Cieszyła się z każdego wyniku, także negatywnego, bo każdy poprawiał model.
Podoba mi się w tej pracy to, czego w niej nie ma. Nie ma benchmarku, nie ma tabelki z procentami przewagi nad konkurencyjną metodą, nie ma obietnicy, że model zastąpi materiałoznawców. Jest za to sześć fizycznych próbek metalu, które albo się nie rozpłynęły, albo się rozpłynęły. Fizyka to bezlitosny recenzent i dobrze, że AI dostaje coraz częściej takich recenzentów.
Mam jednak dwa pytania bez odpowiedzi. Pierwsze: czy znalezione parametry przeniosą się na inne maszyny, inne partie proszku i inną atmosferę ochronną, czy są zawężone do konkretnego stanowiska w Pullman. Druga sprawa jest poważniejsza. Poprawny wydruk to nie to samo co element dopuszczony do lotu. Kwalifikacja materiałowa w lotnictwie i kosmonautyce zajmuje kwartały, wymaga badań zmęczeniowych, kontroli mikrostruktury i pełnej identyfikowalności surowca. Skrócenie fazy poszukiwania parametrów z miesięcy do tygodni nie skraca automatycznie tamtej ścieżki i nie ma sensu udawać, że skraca.
Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl
Opisz krótko, czego potrzebujesz. Jesteśmy największym HUB-em AI w Polsce — w naszej bazie znajdziesz blisko 500 zweryfikowanych firm specjalizujących się w AI. W Twoim imieniu poprosimy 3-5 dopasowanych wykonawców o kontakt w ciągu 48 godzin.
Nagroda przyznana za wdrożenie, nie za sam pomysł
Praca ukazała się w materiałach konferencji AAAI, a zespół dostał Innovative Deployed Application Award, wyróżnienie przyznawane w ścieżce zastosowań przemysłowych. Autorami są, obok Fadhel i Doppy, Nathan Zuckschwerdt, Susmita Bose i Amit Bandyopadhyay z WSU oraz Aryan Deshwal z University of Minnesota. Metodę wdrożono w procesie osadzania energii skierowanej, czyli DED, w którym materiał jest topiony wiązką lasera bezpośrednio w miejscu budowy elementu.
Naukowcy twierdzą, że ten sam sposób prowadzenia eksperymentów da się przenieść na inne stopy i inne technologie wytwarzania przyrostowego. Wskazują również szerszą klasę problemów: wszędzie tam, gdzie sukces jest rzadki, a każda próba kosztuje realne pieniądze i czas, od poszukiwania nowych materiałów po badania nad lekami. O wyniku pisały między innymi ScienceDaily i Phys.org, a materiał WSU przygotowała Tina Hilding z Voiland College of Engineering and Architecture.
Rynek druku metalowego przelicza to na pieniądze
Kontekst rynkowy tłumaczy, dlaczego takie prace budzą zainteresowanie producentów. Według Wohlers Report 2026 globalne przychody całej branży wytwarzania przyrostowego sięgnęły 24,2 mld dolarów w 2025 roku, co oznacza wzrost o 10,9 procent rok do roku. Rok wcześniej rynek wyceniano na blisko 21,9 mld dolarów. Struktura tych przychodów mówi więcej niż sama dynamika: 48 procent wartości generują usługi druku, 26 procent sprzedaż i serwis maszyn, 20 procent materiały, a 6 procent oprogramowanie.
Sprzedaż samych maszyn rośnie wolno, o 3,6 procent, podczas gdy usługi zwiększyły przychody o 15,5 procent. Innymi słowy pieniądze przesuwają się w stronę tych, którzy potrafią wycisnąć więcej z posiadanego już sprzętu. Parametry procesu, które pozwalają wydrukować trudny stop na maszynie średniej mocy, są dokładnie takim aktywem. Warto przy tym pamiętać o różnicy tempa między regionami. Firmy z Azji i Pacyfiku raportowały w 2025 roku średni wzrost przychodów na poziomie 19,8 procent, w obu Amerykach było to 12,6 procent, a w Europie, na Bliskim Wschodzie i w Afryce 9 procent.
Za każdą polską firmą AI stoi konkretny człowiek z imieniem i nazwiskiem, często ten sam w kilku miejscach naraz, i to właśnie ludzie, nie tabelki finansowania, są prawdziwym bohaterem tego artykułu.
Co z tego ma polski sektor kosmiczny
Polskie zespoły pracujące nad napędem rakietowym nie kupują maszyn z laserami o ekstremalnej mocy, bo budżety na to nie pozwalają. Łukasiewicz – Instytut Lotnictwa rozwija w projekcie GRACE silnik rakietowy i satelitarny, w którym komorę spalania wykonano z wysokotemperaturowego stopu molibdenu, świadomie wybranego jako tańsza alternatywa dla drogich stopów platyny. W drugiej fazie projektu przeprowadzono ponad sto pięćdziesiąt testów modeli inżynierskich na hamowni instytutu. To pokazuje sposób myślenia, który dominuje w polskim sektorze: szukamy materiału i procesu mieszczącego się w realiach finansowych, a nie najlepszego rozwiązania z katalogu.
Gdyńska SpaceForest realizuje kontrakt Boost! z Europejską Agencją Kosmiczną i planuje w tym roku trzy loty suborbitalnej rakiety Perun z Polski, Portugalii i Danii. Perun ma napęd hybrydowy na podtlenek azotu i parafinę, więc miedziany stop NASA nie jest tu materiałem pierwszego wyboru. Ale każdy polski program napędowy, który kiedyś sięgnie po silnik na paliwo ciekłe, uderzy w tę samą ścianę co Amerykanie: komora spalania potrzebuje materiału o wysokim przewodnictwie cieplnym, a dostęp do niego był dotąd zarezerwowany dla właścicieli najdroższych maszyn.
Druga warstwa jest ciekawsza od pierwszej. Polskie ośrodki, od AGH przez Politechnikę Warszawską po biura usługowe w korytarzu Kraków – Wrocław, mają sprzęt, doświadczenie i proszki. Czego mają mniej, to budżetu na setki nieudanych wydruków. Metoda z Pullman kosztuje głównie moc obliczeniową i czas badacza, a oszczędza to, co w polskich laboratoriach jest najtrudniejsze do zdobycia: pieniądze na materiał i czas maszyny. Jeżeli którykolwiek z krajowych zespołów potraktuje ten wynik jako zaproszenie do powtórzenia procedury na własnym sprzęcie, będzie to sensowniejsza inwestycja niż kolejny grant na wdrażanie generatywnej AI w obiegu dokumentów.
Źródła i metodologia
Artykuł powstał na podstawie analizy redakcji AIPORT.pl oraz źródeł pierwotnych, w tym komunikatu Washington State University z dnia 24.08.2026 autorstwa Tiny Hilding oraz pracy naukowej Discovery of Feasible 3D Printing Configurations for Metal Alloys via AI-Driven Adaptive Experimental Design opublikowanej w materiałach konferencji AAAI/IAAI 2026. Dane rynkowe pochodzą z omówienia Wohlers Report 2026 w Metal AM. Kontekst dotyczący polskiego sektora kosmicznego oparto na informacjach Space24 oraz komunikatach Łukasiewicz – Instytutu Lotnictwa. Temat relacjonowały również ScienceDaily i Phys.org. Cytaty Janardhana Rao Doppy i Azzy Fadhel zostały zweryfikowane z oryginalnym anglojęzycznym materiałem źródłowym. Komentarz redakcyjny i ocena kontekstu branżowego: Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl. Artykuł będzie aktualizowany w miarę pojawiania się nowych informacji o zastosowaniach AI w doborze parametrów wytwarzania przyrostowego.
