Accelerated Discovery Of New 3d Printing Materials 777x518 1 2
Thông tin công nghệ

MIT sử dụng AI để đẩy nhanh việc khám phá các vật liệu mới cho in 3D

Các nhà nghiên cứu tại MIT và BASF đã phát triển một hệ thống định hướng dữ liệu giúp đẩy nhanh quá trình khám phá các vật liệu in 3D mới có nhiều đặc tính cơ học. Tín dụng: Được phép của các nhà nghiên cứu

Một hệ thống học máy mới có chi phí thấp hơn, ít tạo ra chất thải hơn và có thể đổi mới hơn các phương pháp khám phá thủ công.

Sự phổ biến ngày càng tăng của in 3D để sản xuất tất cả các loại mặt hàng, từ các thiết bị y tế tùy chỉnh đến các ngôi nhà giá cả phải chăng, đã tạo ra nhiều nhu cầu hơn về các vật liệu in 3D mới được thiết kế cho các mục đích sử dụng rất cụ thể.

Để cắt giảm thời gian khám phá những vật liệu mới này, các nhà nghiên cứu tại MIT đã phát triển một quy trình dựa trên dữ liệu sử dụng máy học để tối ưu hóa các vật liệu in 3D mới với nhiều đặc tính, như độ bền và độ nén.

Bằng cách hợp lý hóa việc phát triển vật liệu, hệ thống giảm chi phí và giảm tác động môi trường bằng cách giảm lượng chất thải hóa học. Thuật toán học máy cũng có thể thúc đẩy sự đổi mới bằng cách đề xuất các công thức hóa học độc đáo mà trực giác của con người có thể bỏ lỡ.

“Việc phát triển vật liệu vẫn còn là một quá trình thủ công. Một nhà hóa học đi vào phòng thí nghiệm, trộn các thành phần bằng tay, tạo mẫu, kiểm tra và đưa ra công thức cuối cùng. Nhưng thay vì có một nhà hóa học chỉ có thể lặp lại một vài lần trong một khoảng thời gian dài, hệ thống của chúng tôi có thể thực hiện hàng trăm lần lặp trong cùng một khoảng thời gian, ”Mike Foshey, một kỹ sư cơ khí và quản lý dự án tại Thiết kế và Chế tạo Máy tính cho biết Nhóm (CDFG) của Phòng thí nghiệm Khoa học Máy tính và Trí tuệ Nhân tạo (CSAIL), và đồng tác giả của bài báo.

Các tác giả khác bao gồm đồng tác giả chính Timothy Erps, một cộng sự kỹ thuật của CDFG; Mina Konakovic Lukovic, một postdoc CSAIL; Wan Shou, một cựu postdoc của MIT, hiện là phó giáo sư tại Đại học Arkansas; tác giả cao cấp Wojciech Matusik, giáo sư kỹ thuật điện và khoa học máy tính tại MIT; và Hanns Hagen Geotzke, Herve Dietsch, và Klaus Stoll của BASF. Nghiên cứu được công bố vào ngày 15 tháng 10 năm 2021, trên tạp chí Science Advances .

Tối ưu hóa khám phá

Trong hệ thống mà các nhà nghiên cứu đã phát triển, một thuật toán tối ưu hóa thực hiện phần lớn quá trình phát hiện thử-và-sai.

Một nhà phát triển vật liệu chọn một vài thành phần, nhập chi tiết về thành phần hóa học của chúng vào thuật toán và xác định các đặc tính cơ học mà vật liệu mới phải có. Sau đó, thuật toán tăng và giảm số lượng của các thành phần đó (như vặn các nút trên bộ khuếch đại) và kiểm tra xem mỗi công thức ảnh hưởng như thế nào đến các đặc tính của vật liệu, trước khi đi đến sự kết hợp lý tưởng.

Sau đó, nhà phát triển sẽ trộn, xử lý và kiểm tra mẫu đó để tìm hiểu xem tài liệu thực sự hoạt động như thế nào. Nhà phát triển báo cáo kết quả cho thuật toán, thuật toán này sẽ tự động học hỏi từ thử nghiệm và sử dụng thông tin mới để quyết định một công thức khác để kiểm tra.

“Chúng tôi nghĩ rằng, đối với một số ứng dụng, phương pháp này sẽ tốt hơn phương pháp thông thường vì bạn có thể dựa nhiều hơn vào thuật toán tối ưu hóa để tìm ra giải pháp tối ưu. Bạn sẽ không cần một nhà hóa học chuyên nghiệp có mặt để chọn trước các công thức vật liệu, ”Foshey nói.

Các nhà nghiên cứu đã tạo ra một nền tảng tối ưu hóa vật liệu mã nguồn mở miễn phí được gọi là AutoOED kết hợp cùng một thuật toán tối ưu hóa. AutoOED là một gói phần mềm đầy đủ cũng cho phép các nhà nghiên cứu tiến hành tối ưu hóa của riêng họ.

Làm vật liệu

Các nhà nghiên cứu đã thử nghiệm hệ thống bằng cách sử dụng nó để tối ưu hóa công thức cho một loại mực in 3D mới cứng lại khi tiếp xúc với tia cực tím.

Họ đã xác định sáu hóa chất để sử dụng trong các công thức và đặt mục tiêu của thuật toán là phát hiện ra vật liệu hoạt động tốt nhất về độ bền, mô đun nén (độ cứng) và sức mạnh.

Việc tối đa hóa ba thuộc tính này theo cách thủ công sẽ đặc biệt khó khăn vì chúng có thể xung đột; ví dụ, vật liệu mạnh nhất có thể không cứng nhất. Sử dụng quy trình thủ công, một nhà hóa học thường cố gắng tối đa hóa một đặc tính tại một thời điểm, dẫn đến nhiều thí nghiệm và lãng phí rất nhiều.

Thuật toán đã đưa ra 12 vật liệu hoạt động tốt nhất có sự cân bằng tối ưu của ba đặc tính khác nhau sau khi chỉ thử nghiệm 120 mẫu.

Foshey và các cộng sự của ông đã rất ngạc nhiên bởi rất nhiều loại vật liệu mà thuật toán có thể tạo ra và nói rằng kết quả khác nhau hơn nhiều so với những gì họ mong đợi dựa trên sáu thành phần. Hệ thống này khuyến khích sự khám phá, điều này có thể đặc biệt hữu ích trong các tình huống khi các thuộc tính vật liệu cụ thể không thể dễ dàng khám phá bằng trực giác.

Nhanh hơn trong tương lai

Quá trình có thể được đẩy nhanh hơn nữa thông qua việc sử dụng tự động hóa bổ sung. Các nhà nghiên cứu trộn và kiểm tra từng mẫu bằng tay, nhưng robot có thể vận hành hệ thống phân phối và trộn trong các phiên bản tương lai của hệ thống, Foshey nói.

Xa hơn, các nhà nghiên cứu cũng muốn thử nghiệm quy trình khám phá theo hướng dữ liệu này để sử dụng ngoài việc phát triển các loại mực in 3D mới.

“Điều này có ứng dụng rộng rãi trong khoa học vật liệu nói chung. Ví dụ, nếu bạn muốn thiết kế các loại pin mới có hiệu suất cao hơn và chi phí thấp hơn, bạn có thể sử dụng một hệ thống như thế này để làm điều đó. Hoặc nếu bạn muốn tối ưu hóa màu sơn cho một chiếc xe hoạt động tốt và thân thiện với môi trường, hệ thống này cũng có thể làm được điều đó, ”ông nói.

Keith A. Brown, trợ lý giáo sư tại Khoa Cơ khí tại Đại học Boston, cho biết vì nó đưa ra một cách tiếp cận có hệ thống để xác định các vật liệu tối ưu, công trình này có thể là một bước tiến quan trọng để hiện thực hóa các cấu trúc hiệu suất cao.

“Việc tập trung vào các công thức vật liệu mới đặc biệt được khuyến khích vì đây là yếu tố thường bị các nhà nghiên cứu bỏ qua, những người bị hạn chế bởi các vật liệu có sẵn trên thị trường. Và sự kết hợp của các phương pháp dựa trên dữ liệu và khoa học thực nghiệm cho phép nhóm xác định các vật liệu một cách hiệu quả. Vì hiệu quả thử nghiệm là điều mà tất cả những người thử nghiệm đều có thể xác định, nên các phương pháp ở đây có cơ hội thúc đẩy cộng đồng áp dụng các phương pháp thực hành theo hướng dữ liệu hơn, ”ông nói.

Tham khảo: “Khám phá cấp tốc vật liệu in 3D bằng cách sử dụng tối ưu hóa đa mục tiêu theo hướng dữ liệu” của Timothy Erps, Michael Foshey, Mina Konaković Luković, Wan Shou, Hanns Hagen Goetzke, Herve Dietsch, Klaus Stoll, Bernhard von Vacano và Wojciech Matusik, ngày 15 tháng 10 năm 2021 , Tiến bộ Khoa học .
DOI: 10.1126 / sciadv.abf7435

Nghiên cứu được hỗ trợ bởi BASF.

Theo Scitechdaily

What's your reaction?

Excited
0
Happy
0
In Love
0
Not Sure
0

You may also like

Leave a reply

Email của bạn sẽ không được hiển thị công khai. Các trường bắt buộc được đánh dấu *

Website này sử dụng Akismet để hạn chế spam. Tìm hiểu bình luận của bạn được duyệt như thế nào.