IMDEA材料研究所与美国劳伦斯伯克利国家实验室的研究人员合作开发了一种算法，能够检测理论上一模一样的制造设备之间的行为差异，并据此选择相应的优化策略。该研究成果发表于《先进工程信息学》期刊，旨在解决自动化制造中一个长期存在却容易被忽视的问题——同品牌同型号的设备在实际生产中可能存在个体偏差，这种偏差在规模化生产中可能累积为产品缺陷。

这一问题的核心在于，即便是同一生产线上下来的设备，其运行表现也可能因细微的公差、磨损或校准差异而有所不同。在3D打印农场等并行生产场景中，这种偏差会直接影响产品质量的一致性。研究团队开发的系统首先对每台机器进行诊断评估，构建个体性能档案；随后通过统计分析量化各单元间的偏差程度。

基于分析结果，系统会在两种策略中做出选择：若机器间差异较小，则采用联合优化策略以兼顾效率；若检测到显著偏差，则为每台设备单独执行个性化优化。研究团队在三台理论上完全相同的3D打印机上验证了该方法。实验表明，三台设备的性能分布密度呈现明显分离，两两间发散度数值可观，证明每台打印机均运行在各自独特的“输出区间”。算法据此判定，应当为每台设备单独制定优化策略。

研究团队指出，应用个性化优化后，打印部件的重量误差显著减小，收敛速度也明显加快，而如果对所有机器采用统一策略，则无法有效纠正各自的个体偏差。研究人员表示：“即便是量产设备，也可能拥有自己独特的‘操作个性’。我们的系统能够学习这些差异并将其转化为优势，从而判断是将它们作为团队协作还是作为独立个体分别对待。这不仅提高了精度，还能通过减少失败实验来节省资源，是迈向未来全自动化实验室和工厂的关键一步。”

尽管验证研究聚焦于3D打印，研究人员表示该方法同样适用于高通量实验的其他领域，包括新材料发现、化学合成及传感器校准等。本研究由IMDEA材料研究所的Christina Schenk博士、Miguel Hernández del Valle、Luis Calero和Maciej Haranczyk博士，与劳伦斯伯克利国家实验室的Marcus Noack博士共同完成。