La crescente popolarità della stampa 3D per la produzione di tutti i tipi di articoli, dai dispositivi medici personalizzati alle case a prezzi accessibili, ha creato una maggiore domanda di nuovi materiali di stampa 3D progettati per usi molto specifici.

Per ridurre il tempo necessario alla scoperta di questi nuovi materiali, i ricercatori del MIT hanno sviluppato un processo basato sui dati che utilizza l'apprendimento automatico per ottimizzare nuovi materiali di stampa 3D con caratteristiche multiple, come tenacità e resistenza alla compressione.

Semplificando lo sviluppo dei materiali, il sistema abbatte i costi e riduce l'impatto ambientale riducendo la quantità di rifiuti chimici. L'algoritmo di apprendimento automatico potrebbe anche stimolare l'innovazione suggerendo formulazioni chimiche uniche che l'intuizione umana potrebbe perdere.

"Lo sviluppo dei materiali è ancora un processo prevalentemente manuale. Un chimico entra in un laboratorio, impasta gli ingredienti a mano, fa campioni, li mette alla prova, e giunge alla formulazione finale. Ma invece di avere un chimico che può fare solo un paio di iterazioni in un arco di giorni, il nostro sistema può eseguire centinaia di iterazioni nello stesso arco di tempo, "dice Mike Foshey, un ingegnere meccanico e project manager nel Computational Design and Fabrication Group (CDFG) del Computer Science and Artificial Intelligence Laboratory (CSAIL), e co-autore dell'articolo.

Altri autori includono il co-autore Timothy Erps, un associato tecnico in CDFG; Mina Konaković Luković, un postdoc CSAIL; Wan Sho, un ex postdoc del MIT che ora è assistente professore all'Università dell'Arkansas; autore senior Wojciech Matusik, professore di ingegneria elettrica e informatica al MIT; e Hanns Hagen Geotzke, Hervé Dietsch, e Klaus Stoll di BASF. La ricerca è stata pubblicata oggi in Progressi scientifici.

Ottimizzazione della scoperta

Nel sistema sviluppato dai ricercatori, un algoritmo di ottimizzazione esegue gran parte del processo di rilevamento per tentativi ed errori.

Uno sviluppatore di materiali seleziona alcuni ingredienti, immette dettagli sulla loro composizione chimica nell'algoritmo, e definisce le proprietà meccaniche che il nuovo materiale dovrebbe avere. Quindi l'algoritmo aumenta e diminuisce le quantità di quei componenti (come girare le manopole su un amplificatore) e controlla come ogni formula influisce sulle proprietà del materiale, prima di arrivare alla combinazione ideale.

Quindi lo sviluppatore mescola, processi, e testa quel campione per scoprire come si comporta effettivamente il materiale. Lo sviluppatore riporta i risultati all'algoritmo, che apprende automaticamente dall'esperimento e utilizza le nuove informazioni per decidere su un'altra formulazione da testare.

"Pensiamo, per una serie di applicazioni, ciò supererebbe le prestazioni del metodo convenzionale perché puoi fare più affidamento sull'algoritmo di ottimizzazione per trovare la soluzione ottimale. Non avresti bisogno di un chimico esperto a disposizione per preselezionare le formulazioni dei materiali, "Dice Foshey.

I ricercatori hanno creato un libero, piattaforma di ottimizzazione dei materiali open source denominata AutoOED che incorpora lo stesso algoritmo di ottimizzazione. AutoOED è un pacchetto software completo che consente anche ai ricercatori di condurre la propria ottimizzazione.

Fare materiali

I ricercatori hanno testato il sistema utilizzandolo per ottimizzare le formulazioni per un nuovo inchiostro da stampa 3D che si indurisce quando viene esposto alla luce ultravioletta.

Hanno identificato sei sostanze chimiche da utilizzare nelle formulazioni e hanno fissato l'obiettivo dell'algoritmo di scoprire il materiale con le migliori prestazioni in termini di tenacità, modulo di compressione (rigidezza), e forza.

Massimizzare queste tre proprietà manualmente sarebbe particolarmente impegnativo perché possono essere in conflitto; ad esempio, il materiale più resistente potrebbe non essere il più rigido. Utilizzando un processo manuale, un chimico normalmente cercherebbe di massimizzare una proprietà alla volta, con conseguente molti esperimenti e un sacco di rifiuti.

Dopo aver testato solo 120 campioni, l'algoritmo ha prodotto 12 materiali ad alte prestazioni con ottimi compromessi tra le tre diverse proprietà.

Foshey e i suoi collaboratori sono rimasti sorpresi dall'ampia varietà di materiali che l'algoritmo è stato in grado di generare, e dicono che i risultati sono stati molto più vari di quanto si aspettassero in base ai sei ingredienti. Il sistema incoraggia l'esplorazione, che potrebbe essere particolarmente utile in situazioni in cui le proprietà specifiche del materiale non possono essere scoperte facilmente in modo intuitivo.

Più veloce in futuro

Il processo potrebbe essere ulteriormente accelerato attraverso l'uso di un'automazione aggiuntiva. I ricercatori hanno mescolato e testato manualmente ogni campione, ma i robot potrebbero azionare i sistemi di erogazione e miscelazione nelle future versioni del sistema, dice Foshey.

Più avanti lungo la strada, i ricercatori vorrebbero anche testare questo processo di scoperta basato sui dati per usi oltre lo sviluppo di nuovi inchiostri per la stampa 3D.

"Questo ha ampie applicazioni nella scienza dei materiali in generale. Ad esempio, se volessi progettare nuovi tipi di batterie che avessero una maggiore efficienza e costi inferiori, potresti usare un sistema come questo per farlo. O se volevi ottimizzare la vernice per un'auto che si comportava bene ed era rispettosa dell'ambiente, questo sistema potrebbe farlo, pure, " lui dice.