Maskinlæringssystem fremskynder opdagelsen af ​​nye materialer til 3D-print

Den voksende popularitet af 3D-print til fremstilling af alle slags genstande, fra tilpasset medicinsk udstyr til billige hjem, har skabt mere efterspørgsel efter nye 3D-printmaterialer designet til meget specifikke anvendelser.

For at skære ned på den tid, det tager at opdage disse nye materialer, forskere ved MIT har udviklet en datadrevet proces, der bruger maskinlæring til at optimere nye 3D-printmaterialer med flere egenskaber, som sejhed og kompressionsstyrke.

Ved at strømline materialeudvikling, systemet sænker omkostningerne og mindsker miljøbelastningen ved at reducere mængden af ​​kemikalieaffald. Maskinlæringsalgoritmen kunne også anspore til innovation ved at foreslå unikke kemiske formuleringer, som den menneskelige intuition måske går glip af.

"Materialeudvikling er stadig meget en manuel proces. En kemiker går ind i et laboratorium, blander ingredienser i hånden, laver prøver, tester dem, og kommer til en endelig formulering. Men i stedet for at have en kemiker, der kun kan lave et par gentagelser over et tidsrum af dage, vores system kan udføre hundredvis af iterationer over samme tidsrum, " siger Mike Foshey, en maskiningeniør og projektleder i Computational Design and Fabrication Group (CDFG) i Computer Science and Artificial Intelligence Laboratory (CSAIL), og medforfatter af papiret.

Yderligere forfattere inkluderer co-lead forfatter Timothy Erps, en teknisk associeret i CDFG; Mina Konaković Luković, en CSAIL postdoc; Wan Shou, en tidligere MIT postdoc, som nu er assisterende professor ved University of Arkansas; seniorforfatter Wojciech Matusik, professor i elektroteknik og datalogi ved MIT; og Hanns Hagen Geotzke, Herve Dietsch, og Klaus Stoll fra BASF. Forskningen blev offentliggjort i dag i Videnskabens fremskridt.

Optimering af opdagelse

I det system, som forskerne udviklede, en optimeringsalgoritme udfører meget af trial-and-error opdagelsesprocessen.

En materialeudvikler udvælger nogle få ingredienser, indlæser detaljer om deres kemiske sammensætning i algoritmen, og definerer de mekaniske egenskaber, det nye materiale skal have. Derefter øger og mindsker algoritmen mængden af ​​disse komponenter (som at dreje knapper på en forstærker) og kontrollerer, hvordan hver formel påvirker materialets egenskaber, før du når frem til den ideelle kombination.

Så blander udvikleren, processer, og tester denne prøve for at finde ud af, hvordan materialet faktisk fungerer. Udvikleren rapporterer resultaterne til algoritmen, som automatisk lærer af eksperimentet og bruger de nye oplysninger til at beslutte sig for en anden formulering at teste.

"Vi tænker, til en række applikationer, dette ville overgå den konventionelle metode, fordi du i højere grad kan stole på optimeringsalgoritmen for at finde den optimale løsning. Du behøver ikke en ekspert kemiker ved hånden for at forudvælge materialeformuleringerne, " siger Foshey.

Forskerne har skabt en gratis, open source materialeoptimeringsplatform kaldet AutoOED, der inkorporerer den samme optimeringsalgoritme. AutoOED er en komplet softwarepakke, der også giver forskere mulighed for at udføre deres egen optimering.

Fremstilling af materialer

Forskerne testede systemet ved at bruge det til at optimere formuleringer til en ny 3D-printblæk, der hærder, når den udsættes for ultraviolet lys.

De identificerede seks kemikalier til brug i formuleringerne og satte algoritmens mål at afdække det bedst ydende materiale med hensyn til sejhed, kompressionsmodul (stivhed), og styrke.

At maksimere disse tre egenskaber manuelt ville være særligt udfordrende, fordi de kan være modstridende; for eksempel, det stærkeste materiale er måske ikke det stiveste. Ved hjælp af en manuel proces, en kemiker vil typisk forsøge at maksimere én egenskab ad gangen, resulterer i mange eksperimenter og meget spild.

Algoritmen kom frem til 12 toppræsterende materialer, der havde optimale afvejninger af de tre forskellige egenskaber efter kun at have testet 120 prøver.

Foshey og hans samarbejdspartnere var overraskede over det store udvalg af materialer, som algoritmen var i stand til at generere, og siger, at resultaterne var langt mere varierede, end de forventede baseret på de seks ingredienser. Systemet tilskynder til udforskning, hvilket kunne være særligt nyttigt i situationer, hvor specifikke materialeegenskaber ikke let kan opdages intuitivt.

Hurtigere i fremtiden

Processen kunne accelereres endnu mere ved at bruge yderligere automatisering. Forskere blandede og testede hver prøve i hånden, men robotter kunne betjene dispenserings- og blandesystemerne i fremtidige versioner af systemet, siger Foshey.

Længere hen ad vejen, forskerne vil også gerne teste denne datadrevne opdagelsesproces til andre formål end at udvikle nye 3D-printblæk.

"Dette har brede anvendelser på tværs af materialevidenskab generelt. F.eks. hvis du ville designe nye typer batterier, der var højere effektivitet og lavere omkostninger, du kunne bruge et system som dette til at gøre det. Eller hvis du ville optimere lakken til en bil, der klarede sig godt og var miljøvenlig, dette system kunne gøre det, også, " han siger.