Federated learning in additive manufacturing: a collaborative approach to industrial competitiveness

Federated Learning (FL) is a collaborative approach for training Machine Learning (ML) models that leverages distributed datasets while respecting participants’ privacy. Thanks to the "private-sharing" mechanism, models are trained on virtually more numerous and heterogeneous data, achieving superior performance compared to those attainable by individual clients. FL is particularly relevant for the competitiveness and efficiency of high-tech sectors with strong intellectual property protection, such as Additive Manufacturing. Additive processes represent a paradigm shift compared to traditional ones and enable the fabrication of new classes of geometries such as complex lattice structures, designed to ensure high mechanical performances. Due to the complexity of the process, final product quality must be guaranteed by applying ML and In-Situ Monitoring techniques, which, however, exploit large amounts of expensive data to acquire, making their application inefficient. Consequently, research proposes FL as an efficient and privacy- preserving alternative for model training, leveraging the already available proprietary data that, however, could not be shared between production sites. Literature focuses primarily on data-scarce contexts, where clients obtain limited performances and FL’s superiority is almost intrinsic. This thesis differentiates itself by investigating FL’s effectiveness for the in-situ reconstruction of lattice geometries within a more structured and realistic industrial context. Thanks to prior investments and pre-trained architectures, clients have sufficient resources for the autonomous development of robust segmentation models, making participation non-trivial. Individual, federated, and centralized reference models are trained in five data imbalance scenarios, reproducing ex-post competitive dynamics and heterogeneous contributions. Reconstructive and generalization capabilities are finally evaluated on specific and mixed-thickness productions, with the objective of quantifying participation incentives under plausible industrial conditions.

L’Apprendimento Federato (AF) è un approccio collaborativo per l’addestramento di modelli di Machine Learning (ML) che sfrutta dataset distribuiti nel rispetto della privacy dei partecipanti. Grazie al meccanismo di “private-sharing”, i modelli sono allenati su dati virtualmente più numerosi ed eterogenei, ottenendo prestazioni superiori rispetto a quelle raggiungibili dai singoli clienti. L’AF è particolarmente rilevante per la competitività ed efficienza in settori ad alta tecnologia e forte tutela della proprietà intellettuale, come la Manifattura Additiva. I processi additivi rappresentano un cambio di paradigma rispetto a metodi tradizionali e consentono la costruzione di nuove classi di geometrie come le complesse strutture reticolari, progettate per garantire elevate prestazioni meccaniche. A causa della complessità del processo, la qualità finale deve essere garantita applicando tecniche di ML e In-Situ Monitoring, che tuttavia sfruttano grandi quantità di dati costosi da acquisire, rendendone l’applicazione inefficiente. Di conseguenza, la ricerca propone l’AF come alternativa efficiente e privata per la costruzione di modelli, sfruttando dati proprietari già disponibili ma non condivisibili tra siti produttivi. La letteratura si posiziona prevalentemente in contesti di scarsità dati, in cui i clienti ottengono prestazioni ridotte e la superiorità dell’AF risulta quasi intrinseca. La tesi si differenzia investigando l’efficacia dell’AF nella ricostruzione in-situ di geometrie lattice in un contesto industriale strutturato e realistico. Grazie a investimenti pregressi e strutture pre-allenate, i clienti hanno risorse sufficienti per uno sviluppo autonomo di modelli di segmentazione robusti, rendendo la partecipazione non scontata. Modelli individuali, federati e di riferimento centralizzato, vengono addestrati in cinque scenari di sbilanciamento dati, riproducendo gli effetti di dinamiche competitive e di contribuzioni eterogenee. Le capacità ricostruttive e di generalizzazione sono infine valutate su produzioni a spessori specifici e misti, al fine di quantificare gli incentivi di partecipazione in condizioni industriali plausibili.