De groeiende populariteit van 3D-printen voor het vervaardigen van allerlei artikelen, van op maat gemaakte medische hulpmiddelen tot betaalbare woningen, heeft geleid tot meer vraag naar nieuwe 3D-printmaterialen die zijn ontworpen voor zeer specifieke toepassingen.

Om de tijd die nodig is om deze nieuwe materialen te ontdekken te verkorten, onderzoekers van MIT hebben een datagestuurd proces ontwikkeld dat machine learning gebruikt om nieuwe 3D-printmaterialen met meerdere kenmerken te optimaliseren, zoals taaiheid en druksterkte.

Door materiaalontwikkeling te stroomlijnen, het systeem verlaagt de kosten en vermindert de impact op het milieu door de hoeveelheid chemisch afval te verminderen. Het machine learning-algoritme zou ook innovatie kunnen stimuleren door unieke chemische formuleringen voor te stellen die de menselijke intuïtie zou kunnen missen.

"Materiaalontwikkeling is nog steeds een handmatig proces. Een chemicus gaat een laboratorium in, mengt ingrediënten met de hand, maakt monsters, test ze, en komt tot een definitieve formulering. Maar in plaats van een chemicus te hebben die maar een paar herhalingen over een tijdsbestek van dagen kan doen, ons systeem kan honderden iteraties doen in dezelfde tijdspanne, " zegt Mike Foshey, een werktuigbouwkundig ingenieur en projectmanager in de Computational Design and Fabrication Group (CDFG) van het Computer Science and Artificial Intelligence Laboratory (CSAIL), en mede-hoofdauteur van het artikel.

Andere auteurs zijn onder meer co-lead auteur Timothy Erps, een technisch medewerker bij CDFG; Mina Konaković Luković, een CSAIL-postdoc; Wan Shou, een voormalige MIT-postdoc die nu een assistent-professor is aan de Universiteit van Arkansas; senior auteur Wojciech Matusik, hoogleraar elektrotechniek en informatica aan het MIT; en Hanns Hagen Geotzke, Herve Dietsch, en Klaus Stoll van BASF. Het onderzoek is vandaag gepubliceerd in Vooruitgang in de wetenschap.

Ontdekking optimaliseren

In het systeem dat de onderzoekers ontwikkelden, een optimalisatie-algoritme voert een groot deel van het trial-and-error-ontdekkingsproces uit.

Een materiaalontwikkelaar selecteert een paar ingrediënten, voert details over hun chemische samenstelling in het algoritme in, en definieert de mechanische eigenschappen die het nieuwe materiaal moet hebben. Vervolgens verhoogt en verlaagt het algoritme de hoeveelheden van die componenten (zoals het draaien van knoppen op een versterker) en controleert hoe elke formule de eigenschappen van het materiaal beïnvloedt, alvorens tot de ideale combinatie te komen.

Dan mengt de ontwikkelaar, processen, en test dat monster om erachter te komen hoe het materiaal daadwerkelijk presteert. De ontwikkelaar rapporteert de resultaten aan het algoritme, die automatisch leert van het experiment en de nieuwe informatie gebruikt om te beslissen over een andere formulering om te testen.

"We denken, voor een aantal toepassingen, dit zou beter presteren dan de conventionele methode, omdat u sterker kunt vertrouwen op het optimalisatie-algoritme om de optimale oplossing te vinden. U hebt geen deskundige chemicus nodig om de materiaalformuleringen vooraf te selecteren, ' zegt Fosje.

De onderzoekers hebben een gratis, open-source materiaaloptimalisatieplatform genaamd AutoOED dat hetzelfde optimalisatiealgoritme bevat. AutoOED is een volledig softwarepakket waarmee onderzoekers ook hun eigen optimalisatie kunnen uitvoeren.

Materialen maken

De onderzoekers testten het systeem door het te gebruiken om formuleringen te optimaliseren voor een nieuwe 3D-printinkt die uithardt wanneer deze wordt blootgesteld aan ultraviolet licht.

Ze identificeerden zes chemicaliën om in de formuleringen te gebruiken en stelden het doel van het algoritme vast om het best presterende materiaal te ontdekken met betrekking tot taaiheid, compressiemodulus (stijfheid), en kracht.

Het handmatig maximaliseren van deze drie eigenschappen zou vooral een uitdaging zijn omdat ze tegenstrijdig kunnen zijn; bijvoorbeeld, het sterkste materiaal is misschien niet het stijfste. Met behulp van een handmatig proces, een chemicus zou typisch proberen om één eigenschap tegelijk te maximaliseren, met als gevolg veel experimenten en veel afval.

Het algoritme kwam met 12 best presterende materialen met optimale afwegingen van de drie verschillende eigenschappen na het testen van slechts 120 monsters.

Foshey en zijn medewerkers waren verrast door de grote verscheidenheid aan materialen die het algoritme kon genereren, en zeggen dat de resultaten veel gevarieerder waren dan ze hadden verwacht op basis van de zes ingrediënten. Het systeem stimuleert exploratie, wat vooral handig kan zijn in situaties waarin specifieke materiaaleigenschappen niet gemakkelijk intuïtief kunnen worden ontdekt.

Sneller in de toekomst

Door de inzet van extra automatisering kan het proces nog verder worden versneld. Onderzoekers mengden en testten elk monster met de hand, maar robots kunnen de doseer- en mengsystemen in toekomstige versies van het systeem bedienen, zegt Foshey.

Verderop op de weg, de onderzoekers willen dit datagestuurde ontdekkingsproces ook testen voor toepassingen die verder gaan dan het ontwikkelen van nieuwe 3D-printinkten.

"Dit heeft brede toepassingen in de materiaalwetenschap in het algemeen. als u nieuwe soorten batterijen wilt ontwerpen die efficiënter en goedkoper zijn, je zou een systeem als dit kunnen gebruiken om het te doen. Of als u de lak wilde optimaliseren voor een auto die goed presteerde en milieuvriendelijk was, dit systeem zou dat kunnen, te, " hij zegt.