AIQuAM3D hat zwei Hauptziele. Die großen Datenmengen, die bei einer Überwachung von AM-Prozessen entstehen, sollen in wertvolle Qualitätsinformationen über das herzustellende Teil umgewandelt werden. Zum anderen soll eine Methodik entwickelt werden, mit der sich SR µCT-Messungen durch eine zusätzliche Qualitätsanalyse besser verwerten lassen. Die damit verbundenen Herausforderungen können durch den Einsatz von Künstlicher Intelligenz (KI) überwunden werden. Ein eingebettetes Modell für die Echtzeit-Vorhersage von Volumendefekten wie Porosität, Bindefehler und Rissen wird für das pulverbettbasierte Laserstrahlschmelzen entwickelt. Hierzu wird ein multimodaler Ansatz angewendet, der Daten aus verschiedenen Quellen als Parameter in einem gemeinsamen Modell betrachtet. Darüber hinaus werden schnelle, nahezu echtzeitfähige KI basierte Werkzeuge entwickelt, um die Datenqualität von SR-µCT-Messungen zu bewerten sowie Defekte von AM-Proben zu segmentieren und zu klassifizieren.