Sistem pembelajaran mesin mempercepat penemuan materi baru untuk pencetakan 3D

Kredit foto: Pixabay / CC0 Domain Publik

Semakin populernya pencetakan 3D untuk pembuatan semua jenis barang, mulai dari perangkat medis khusus hingga rumah yang terjangkau, telah menciptakan peningkatan permintaan akan bahan cetak 3D baru untuk aplikasi yang sangat spesifik.


Untuk mempersingkat waktu yang diperlukan untuk menemukan bahan baru ini, para peneliti di MIT telah mengembangkan proses berbasis data yang menggunakan pembelajaran mesin untuk mengoptimalkan bahan cetak 3D baru dengan berbagai sifat seperti ketangguhan dan kekuatan tekan.

Dengan merampingkan pengembangan material, sistem ini menurunkan biaya dan mengurangi dampak lingkungan dengan mengurangi jumlah limbah kimia. Algoritme pembelajaran mesin juga dapat merangsang inovasi dengan menyarankan formulasi kimia unik yang mungkin terlewatkan oleh intuisi manusia.

“Pengembangan material masih proses yang sangat manual. Seorang ahli kimia masuk ke laboratorium, mencampur bahan dengan tangan, mengambil sampel, mengujinya dan sampai pada formulasi akhir. Tetapi alih-alih memiliki ahli kimia yang hanya dapat melakukan beberapa iterasi selama beberapa hari, sistem kami dapat melakukan ratusan iterasi dalam periode yang sama, “kata Mike Foshey, seorang Insinyur mekanik dan manajer proyek di Computational Design and Fabrication Group (CDFG) dari Computer Science and Artificial Intelligence Laboratory (CSAIL) dan penulis utama makalah ini.

Penulis lain termasuk penulis pendamping Timothy Erps, anggota staf teknis di CDFG; Mina Konakovic Lukovic, postdoc CSAIL; Wan Shou, mantan rekan postdoctoral di MIT yang sekarang menjadi asisten profesor di University of Arkansas; Penulis senior Wojciech Matusik, profesor teknik elektro dan ilmu komputer di MIT; dan Hanns Hagen Geotzke, Herve Dietsch dan Klaus Stoll dari BASF. Studi ini diterbitkan hari ini di Kemajuan ilmiah.

Optimalkan deteksi

Dalam sistem yang dikembangkan oleh para peneliti dan Algoritma pengoptimalan melakukan banyak proses deteksi coba-coba.

Pengembang bahan memilih beberapa bahan, memasukkan detail tentang komposisi kimianya dalam algoritme dan mendefinisikannya peralatan mekanis NS bahan baru harus punya. Kemudian algoritme menambah dan mengurangi jumlah komponen ini (seperti memutar kenop pada amplifier) ​​dan memeriksa bagaimana setiap formula memengaruhi sifat material sebelum mencapai kombinasi yang ideal.

Kemudian pengembang mencampur, memproses, dan menguji sampel tersebut untuk mengetahui cara kerja material yang sebenarnya. Pengembang melaporkan hasilnya ke algoritme, yang secara otomatis belajar dari eksperimen dan menggunakan informasi baru untuk memutuskan formulasi berbeda yang akan diuji.

“Kami pikir ini akan mengungguli metode konvensional untuk sejumlah aplikasi karena Anda dapat lebih mengandalkan algoritme pengoptimalan untuk menemukan solusi optimal. Anda tidak memerlukan ahli kimia yang terampil untuk memilih formulasi bahan sebelumnya, ”kata Foshey.

Para peneliti memiliki platform pengoptimalan materi sumber terbuka gratis yang disebut. dikembangkan AutoOED yang berisi algoritma optimasi yang sama. AutoOED adalah paket perangkat lunak lengkap yang juga dapat digunakan peneliti untuk melakukan optimasi mereka sendiri.

Bahan pembuatan

Para peneliti menguji sistem dengan mengoptimalkan formulasi untuk tinta cetak 3D baru yang mengeras saat terkena sinar ultraviolet.

Mereka mengidentifikasi enam bahan kimia yang harus digunakan dalam formulasi dan menetapkan tujuan algoritma untuk mengidentifikasi bahan dengan kinerja terbaik dalam hal ketangguhan, modulus tekan (kekakuan), dan kekuatan.

Memaksimalkan ketiga properti ini secara manual akan sangat sulit karena mereka dapat saling bertentangan. misalnya, bahan terkuat mungkin bukan yang paling kaku. Menggunakan prosedur manual, seorang ahli kimia biasanya akan mencoba memaksimalkan satu properti pada satu waktu, menghasilkan banyak eksperimen dan banyak pemborosan.

Algoritme menghasilkan 12 bahan berkinerja terbaik yang, setelah menguji hanya 120 sampel, memiliki kompromi optimal dari tiga sifat berbeda.

Foshey dan stafnya terkejut dengan berbagai bahan yang algoritma dan mengatakan bahwa hasilnya jauh lebih beragam dari yang diharapkan berdasarkan enam bahan. Sistem mendorong eksplorasi, yang dapat sangat berguna dalam situasi di mana sifat material tertentu tidak dapat dengan mudah ditemukan secara intuitif.

Lebih cepat di masa depan

Prosesnya bisa lebih dipercepat dengan otomatisasi tambahan. Para peneliti mencampur dan menguji setiap sampel dengan tangan, tetapi robot dapat mengoperasikan sistem dosis dan pencampuran dalam versi sistem yang akan datang, kata Foshey.

Kemudian, para peneliti ingin menguji proses penemuan berbasis data ini untuk aplikasi yang melampaui pengembangan tinta cetak 3D baru.

“Ini memiliki aplikasi luas di seluruh ilmu material secara umum. Misalnya, jika Anda ingin mengembangkan baterai jenis baru dengan efisiensi yang lebih tinggi dan biaya yang lebih rendah, Anda dapat menggunakan sistem seperti itu – mobil yang bekerja dengan baik dan ramah lingkungan, begitu juga sistem ini, “katanya.


Pesan! AI menemukan materi yang tepat


Informasi lebih lanjut:
Timothy Erps, Percepatan Penemuan Bahan Cetak 3D Melalui Pengoptimalan Multi-Target Berbasis Data, Kemajuan ilmiah (2021). DOI: 10.1126 / sciadv.abf7435. www.science.org/doi/10.1126/sciadv.abf7435

Mengutip: Sistem Pembelajaran Mesin Mempercepat Penemuan Materi Baru untuk Pencetakan 3D (2021, 15 Oktober), diakses 17 Oktober 2021 dari https://phys.org/news/2021-10-machine-learning-discovery-materials- 3d.html

Dokumen ini tunduk pada hak cipta. Kecuali untuk perdagangan yang adil untuk studi pribadi atau tujuan penelitian, tidak ada bagian yang boleh direproduksi tanpa izin tertulis. Konten disediakan untuk tujuan informasi saja.

READ  Hubble menemukan mata rantai yang hilang secara evolusioner dari awal alam semesta

Tinggalkan Balasan

Alamat email Anda tidak akan dipublikasikan. Ruas yang wajib ditandai *