Home Tecnología El sistema de aprendizaje automático acelera el descubrimiento de nuevos materiales para la impresión 3D

El sistema de aprendizaje automático acelera el descubrimiento de nuevos materiales para la impresión 3D

by notiulti

Foto de crédito: Pixabay / CC0 Domain Publik

La creciente popularidad de la impresión 3D para la fabricación de todo tipo de productos, desde dispositivos médicos especializados hasta hogares asequibles, ha creado una demanda creciente de nuevos materiales de impresión 3D para aplicaciones muy específicas.


Para acortar el tiempo necesario para descubrir este nuevo material, los investigadores del MIT han desarrollado un proceso basado en datos que utiliza el aprendizaje automático para optimizar nuevos materiales impresos en 3D con propiedades como dureza y resistencia a la compresión.

Al agilizar el desarrollo de materiales, el sistema reduce los costos y reduce el impacto ambiental al reducir la cantidad de desechos químicos. Los algoritmos de aprendizaje automático también pueden estimular la innovación al sugerir formulaciones químicas únicas que la intuición humana podría pasar por alto.

“El desarrollo de materiales sigue siendo un proceso muy manual. Un químico entra al laboratorio, mezcla los ingredientes a mano, toma muestras, las analiza y llega a la formulación final. Pero en lugar de tener un químico que solo pueda hacer unas pocas iteraciones durante unos pocos días, nuestro sistema puede hacer cientos de iteraciones en el mismo período “, dijo Mike Foshey, un Ingeniero mecánico y director de proyectos en el Grupo de Fabricación y Diseño Computacional (CDFG) del Laboratorio de Ciencias de la Computación e Inteligencia Artificial (CSAIL) y autor principal del artículo.

Otros autores incluyen al coautor Timothy Erps, miembro del personal técnico de CDFG; Mina Konakovic Lukovic, postdoctorado de CSAIL; Wan Shou, ex becario postdoctoral del MIT que ahora es profesor asistente en la Universidad de Arkansas; El autor principal Wojciech Matusik, profesor de ingeniería eléctrica e informática en el MIT; y Hanns Hagen Geotzke, Herve Dietsch y Klaus Stoll de BASF. El estudio fue publicado hoy en Progreso cientifico.

Optimizar la detección

En el sistema desarrollado por investigadores y Algoritmo de optimización hacer mucha detección de prueba y error.

El desarrollador de materiales selecciona varios materiales, ingresa detalles sobre su composición química en el algoritmo y los define equipamiento mecánico NS nuevo material debe tener. Luego, el algoritmo aumenta y disminuye la cantidad de estos componentes (como girar la perilla de un amplificador) y examina cómo cada fórmula afecta las propiedades del material antes de llegar a la combinación ideal.

Luego, el desarrollador mezcla, procesa y prueba esas muestras para averiguar cómo funciona realmente el material. El desarrollador informa los resultados al algoritmo, que automáticamente aprende del experimento y usa la nueva información para decidir qué formulaciones diferentes probar.

“Creemos que esto superará a los métodos convencionales para una serie de aplicaciones porque puede confiar más en los algoritmos de optimización para encontrar soluciones óptimas. No se necesita un químico capacitado para preseleccionar las fórmulas de los ingredientes ”, dice Foshey.

Los investigadores tienen una plataforma de optimización de material de código abierto y gratuita llamada. desarrollado AutoOED que contiene el mismo algoritmo de optimización. AutoOED es un paquete de software completo que los investigadores también pueden utilizar para realizar sus propias optimizaciones.

Material de fabricación

Los investigadores probaron el sistema optimizando la formulación de una nueva tinta de impresión 3D que se endurece cuando se expone a la luz ultravioleta.

Identificaron seis productos químicos que deberían usarse en una formulación y establecieron un algoritmo de meta para identificar el material de mejor desempeño en términos de tenacidad, módulo de compresión (rigidez) y resistencia.

Maximizar estas tres propiedades manualmente será muy difícil porque pueden entrar en conflicto entre sí. por ejemplo, el material más resistente puede no ser el más rígido. Usando procedimientos manuales, un químico generalmente intentará maximizar una propiedad a la vez, lo que resulta en mucha experimentación y mucho desperdicio.

El algoritmo produce 12 materiales de alto rendimiento que, después de probar solo 120 muestras, tienen el compromiso óptimo de tres propiedades diferentes.

Foshey y su personal quedaron sorprendidos por la variedad de ingredientes que algoritmo y dijo que los resultados fueron mucho más variados de lo esperado en base a los seis ingredientes. El sistema fomenta la exploración, lo que puede resultar especialmente útil en situaciones en las que determinadas propiedades de los materiales no se pueden encontrar fácilmente de forma intuitiva.

Más rápido en el futuro

El proceso se puede acelerar con automatización adicional. Los investigadores mezclaron y probaron cada muestra a mano, pero el robot podría operar el sistema de dosificación y mezcla en versiones futuras del sistema, dijo Foshey.

Luego, los investigadores querían probar este proceso de descubrimiento basado en datos para aplicaciones que van más allá del desarrollo de nuevas tintas de impresión 3D.

“Tiene amplias aplicaciones en la ciencia de los materiales en general. Por ejemplo, si desea desarrollar un nuevo tipo de batería con mayor eficiencia y menor costo, puede utilizar dicho sistema: un automóvil que funcione bien y sea ecológico, y este sistema también ”, dijo.


¡Mensaje! La IA encuentra el material adecuado


Más información:

Timothy Erps, descubrimiento acelerado de materiales impresos en 3D a través de la optimización de objetivos múltiples basada en datos, Progreso cientifico (2021). DOI: 10.1126 / sciadv.abf7435. www.science.org/doi/10.1126/sciadv.abf7435

Citas: Machine Learning Systems Accelerate Discovery of New Materials for 3D Printing (2021, 15 de octubre), consultado el 17 de octubre de 2021 desde https://phys.org/news/2021-10-machine-learning-discovery-materials-3d.html

Este documento está sujeto a derechos de autor. Excepto en el caso de comercio justo con fines de investigación o estudio personal, no se puede reproducir ninguna parte sin permiso por escrito. El contenido se proporciona solo con fines informativos.

You may also like

Leave a Comment

This site uses Akismet to reduce spam. Learn how your comment data is processed.