麻省理工Science子刊: 机器学习驱动多目标优化加速发现3D打印材料

增材制造已成为制造领域的前沿技术之一，使以前无法制造的产品成为可能。尽管存在许多用于增材制造的材料，但大多数材料都受到性能权衡的影响。当前的材料是用低效的、基于人类直觉的方法设计的，这使得它们缺乏最佳解决方案。

在此，美国麻省理工学院Michael Foshey, Wan Shou等人提出了一种机器学习（ML）方法，以加速发现具有最佳机械性能权衡的增材制造材料。多目标优化算法通过提出如何混合主要油墨配方以创建性能更好的材料来自动指导实验设计，该算法与半自主制造平台相结合，可大大减少进行的实验次数和解决方案的总时间。

首先，按特定比例按需分配主要油墨配方，然后混合以制备复合配方并将其转移到喷射阀3D打印机中进行样品制造，最后进行后处理完成样品制备。

此外，对每种样品进行测试以提取其多个定量机械性能参数（即韧性、压缩模量和最大压缩强度）。作者使用基于贝叶斯优化的数据驱动方法，迭代整个工作流程，直到达到实验预期。

图1. 用于寻找最佳3D打印材料配方的优化算法概述

为了测试提出的材料开发工作流程，作者总共进行了30次算法迭代。为了减少时间，在每次算法迭代中并行测试四个样本，在优化过程中总共提供了120个样本。

在测试了总共150个样本（30 初始样本和算法提出的120个样本）后，该系统能够识别出一组12个配方，将原始材料的性能空间扩大了288倍。这种方法可以很容易地推广到其他材料设计系统，如优化坚韧的水凝胶、手术密封剂或纳米复合涂层等。

图2. 30次算法迭代后的性能空间覆盖（红色区域）

Accelerated discovery of 3D printing materials using data-driven multiobjective optimization, Science Advances 2021. DOI: 10.1126/sciadv.abf7435

原创文章，作者：科研小搬砖，如若转载，请注明来源华算科技，注明出处：https://www.v-suan.com/index.php/2023/10/15/50ed584ac2/

麻省理工Science子刊: 机器学习驱动多目标优化加速发现3D打印材料

相关推荐