曼大团队提出连续场优化方法，统一规划增减材混合制造过程
用连续神经场统一优化增减材混合制造的工序与刀具配置，并把制造过程中的结构形变纳入优化闭环，让工艺规划同时兼顾效率与稳定。
研究把增减材混合制造的工艺规划，从离散规则与体素搜索改为连续场上的多目标优化：用神经网络参数化五个隐式场，描述何时、在何处执行增材或减材以及如何配置刀具，并把制造中间结构的形变作为可微约束嵌入优化过程。
正文摘录
.jpg) 作者 | 论文团队 编辑丨 ScienceAI 增减材混合制造通过交替使用增材制造（AM）与减材制造（SM），既可以构建复杂体积，又可以及时去除临时支撑或加工后续难以到达的区域。真正的规划问题因此变成：在什么位置、什么时间执行增材或减材制造，并选择怎样的减材刀具配置，才能让整个制造过程既可行，又高效、连续且稳定？ 近日，曼彻斯特大学 Digital Manufacturing Laboratory 的 Charlie C.L. Wang 教授团队提出面向增减材混合制造（Hybrid Additive–Subtractive Manufacturing, HM）的神经场优化方法，相关论文收录于 ACM Transactions on Graphics（SIGGRAPH Asia 2026）。论文第一作者为曼彻斯特大学博士生陈永学。