MIT研究人员用机器学习加速发现用于3D打印的新材料

3D打印在制造各种物品（从定制医疗设备到经济适用房）方面的日益普及，对专为特定用途设计的新型3D打印材料产生了更多需求。

为了缩短发现这些新材料所需的时间，麻省理工学院的研究人员开发了一种数据驱动的过程，该过程使用机器学习来优化具有多种特性（如韧性和抗压强度）的新型 3D打印材料。

通过简化材料开发，该系统通过减少化学废物量来降低成本并减轻对环境的影响。机器学习算法还可以通过提出人类直觉可能遗漏的独特化学配方来刺激创新。 

材料开发在很大程度上仍然是一个手动过程。化学家进入实验室，手工混合成分，制作样品，测试它们，并得出最终配方。但是，与其让化学家只能在几天内进行几次迭代，该系统可以在同一时间跨度内进行数百次迭代。

该研究今天发表在《科学进展》上。

优化发现

在研究人员开发的系统中，优化算法执行了大部分试错发现过程。

材料开发人员选择一些成分，将其化学成分的详细信息输入算法，并定义新材料应具有的机械性能。然后，算法会增加和减少这些组件的数量（例如转动放大器上的旋钮），并在达到理想组合之前检查每个公式如何影响材料的属性。

然后开发人员混合、处理和测试样品，以了解材料的实际性能。开发人员将结果报告给算法，算法会自动从实验中学习并使用新信息来决定要测试的另一个配方。

研究人员创建了一个名为AutoOED的免费开源材料优化平台  ，其中包含相同的优化算法。AutoOED 是一个完整的软件包，它也允许研究人员进行自己的优化。

制作材料

研究人员通过使用该系统来优化新 3D 打印墨水的配方来测试该系统，该墨水在暴露于紫外线下时会变硬。

他们确定了在配方中使用的六种化学物质，并设定了算法的目标，以发现在韧性、压缩模量（刚度）和强度方面表现最佳的材料。

该算法仅在测试了 120 个样品后，就得出了 12 种性能最佳的材料，这些材料在三种不同属性之间进行了最佳权衡。

未来更快

通过使用额外的自动化，可以进一步加速该过程。研究人员说，研究人员手动混合和测试每个样品，但机器人可以在未来版本的系统中操作分配和混合系统。

在未来，研究人员还希望测试这种数据驱动的发现过程，以用于开发新的 3D打印墨水之外的用途。

这在整个材料科学领域具有广泛的应用。例如，如果您想设计效率更高、成本更低的新型电池，您可以使用这样的系统来实现。或者，如果您想为性能良好且环保的汽车优化油漆，该系统也可以做到这一点。

该研究得到了巴斯夫的支持。获取更多前沿科技 研究进展 访问：https://byteclicks.com