Промышленные применения AT & 3D решений для профессионалов

Алгоритм ML с открытым исходным кодом ускорит открытие новых материалов для 3D-печати

21.01.2022 Время чтения: 15 мин.
Сложность:
30 0 7

Алгоритм оптимизации "AutoOED", разработанный командой, способен автоматически определять жизнеспособные материалы для печати с желаемыми качествами, такими как прочность, жесткость или прочность на сжатие. При этом программа позволяет пользователям обойти затраты, сроки и отходы, возникающие при традиционном составлении рецептур смол, и потенциально найти смеси, которые не поддаются исследованиям и разработкам под руководством человека. 

"Разработка материалов все еще в значительной степени является ручным процессом", - говорит соавтор статьи Майк Фоши. "Химик идет в лабораторию, смешивает ингредиенты вручную, делает образцы, тестирует их и приходит к окончательной формуле. Но вместо химика, который может сделать только пару итераций в течение нескольких дней, наша система может сделать сотни итераций за тот же промежуток времени". 

Рабочий процесс формулирования материала на основе алгоритмов, разработанный командой Массачусетского технологического института. Изображение из журнала Science Advances.

Преодоление "предела скорости" в исследованиях и разработках материалов 

В настоящее время разработка новых материалов для 3D-печати требует от производителей глубоких знаний в области химии полимеров, а также оборудования и поддержки, необходимых для проведения длительных исследований. Этот ручной процесс также позволяет оценивать только один фактор для каждого образца, что ограничивает доступность, эффективность и масштабируемость исследований и разработок материалов. 

Для более быстрой разработки смол для 3D-печати, специфичных для конкретного применения, команда MIT определила необходимость автономного цикла НИОКР. Для достижения этой цели исследователи ранее экспериментировали с робототехникой, основанной на алгоритмах и синтезе квантовых точек, но эти подходы обычно сохраняют подход оптимизации одного объекта, что ограничивает их практичность. 

Чтобы ускорить исследования и разработки материалов, команда MIT выявила потребность в эффективных алгоритмах оптимизации данных, особенно тех, которые имеют многозадачные возможности, и для удовлетворения этой потребности они создали AutoOED. Разработанный для поиска новых фотостойких красок, рабочий процесс команды включает в себя использование многоцелевого подхода, в котором пересмотренный алгоритм эффективно минимизирует количество необходимых испытаний. 

Теоретически, программное обеспечение команды работает, предлагая пользователям ввести количество ингредиентов потенциального материала, а также свойства, которыми он должен обладать, после чего оно использует эти данные для расчета идеальной формулы. После того, как прототип материала был протестирован, любые результаты могут быть возвращены в алгоритм, который затем использует эту информацию, чтобы предложить другой материал для тестирования, в более плотном циклическом процессе создания прототипов. 

"Мы считаем, что для ряда приложений этот метод превзойдет традиционные методы, поскольку вы можете в большей степени полагаться на алгоритм оптимизации для поиска оптимального решения", - объясняет Фоши. "Вам не понадобится химик-эксперт для предварительного подбора рецептуры материала". 

Схема работы алгоритма исследователей "AutoOED". Изображение из журнала Science Advances.

Тестирование алгоритма с открытым исходным кодом

Чтобы оценить эффективность своего рабочего процесса, инженеры попытались создать шесть чернил, которые демонстрируют улучшенные свойства по сравнению с материалами, созданными вручную. После 30 итераций команда обнаружила, что их алгоритм смог найти 12 смол для 3D-печати, причем некоторые из них были на 70% прочнее обычных, но большинство отличались "оптимальным компромиссом" в плане жесткости, жесткости и прочности. 

Помимо выявления потенциальных возможностей оптимизации материалов, AutoOED также смог исследовать научно-исследовательские материалы с большим разбросом свойств. Например, во время тестирования алгоритм исследовал составы с увеличением прочности или жесткости при сжатии на 399%, а модуля упругости при сжатии - до 584%.

В результате, рабочий процесс исследователей может стать идеальным для выявления материалов, применение которых в значительной степени зависит от конкретных свойств, которые нелегко сформулировать вручную, и они считают, что их подход может привести к созданию нового поколения гидрогелей, хирургических герметиков и нанокомпозитных покрытий с аэрокосмическим или медицинским потенциалом.

Команда также рассматривает свой рабочий процесс как "готовый к автоматизации конвейер", который в будущих итерациях может интегрировать робототехнику, автоматически управляющую этапами дозирования и смешивания материалов, чтобы еще больше ускорить процесс формулирования. Однако в краткосрочной перспективе инженеры выложили свой алгоритм в свободный доступ на Github, чтобы посмотреть, что сообщество создателей может сделать с их инструментом быстрого поиска материалов. 

"Это имеет широкое применение в материаловедении в целом", - заключает Фоши. "Например, если вы хотите разработать новые типы батарей с более высокой эффективностью и низкой стоимостью, вы можете использовать для этого подобную систему. Или если бы вы хотели оптимизировать краску для автомобиля, которая бы хорошо работала и была экологически безопасной, эта система тоже могла бы это сделать". 

Одна из строительных площадок французской фирмы Bouygues Travaux Publics. Директор компании входил в состав команды исследовательского проекта. Изображение через Bouygues Travaux Publics.

Алгоритмы ML в настоящее время используются для определения материалов для 3D-печати в различных отраслях промышленности, включая строительство. Изображение через Bouygues Travaux Publics.

Модернизация исследований материалов

Благодаря своим прогностическим возможностям алгоритмы ML потенциально идеально подходят для сокращения циклов разработки различных продуктов, но материалы для печати недавно стали актуальной темой исследований. В университете Lehigh ученые опробовали новый подход к тестированию материалов с помощью ML, в котором они использовали искусственную нейронную сеть для выявления структурного сходства между образцами для испытаний. 

В другом месте, в рамках аналогичного исследования, специалист по искусственному интеллекту Intellegens совместно с компанией Stone Group разработал новый алгоритм ML, ориентированный на DED, для оценки новых материалов для 3D-печати. Известное как "Alchemite", программное обеспечение компании эффективно использует измерения теплового сопротивления в качестве основы для сужения круга поиска пригодных для печати сплавов на основе никеля. 

В области строительства Технологический университет Суинберна сотрудничает с компанией Bouygues Travaux Publics в рамках проекта, в котором он использует ML для поиска способа оптимизации прочности 3D-печатаемого бетона. В рамках этой инициативы организации также стремятся разработать промышленный стандарт для классификации образцов 3D-печатных геополимеров, а также дорожную карту для классификации будущих материалов. 

Результаты исследования подробно изложены в статье "Ускоренное открытие материалов для 3D-печати с помощью многообъектной оптимизации на основе данных", соавторами которой являются Тимоти Эрпс, Майкл Фоши, Мина Конакович Лукович, Ханнс Хаген, Эрве Дитш, Клаус Штолль, Бернхард фон Вакано и Войцех Матусик.