La creciente popularidad de la impresión 3D para la fabricación de todo tipo de artículos, desde dispositivos médicos personalizados hasta hogares asequibles, ha creado una mayor demanda de nuevos materiales de impresión 3D diseñados para usos muy específicos.

Para reducir el tiempo que lleva descubrir estos nuevos materiales, Los investigadores del MIT han desarrollado un proceso basado en datos que utiliza el aprendizaje automático para optimizar nuevos materiales de impresión 3D con múltiples características. como dureza y resistencia a la compresión.

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

"El desarrollo de materiales sigue siendo en gran medida un proceso manual. Un químico entra en un laboratorio, mezcla los ingredientes a mano, hace muestras, los prueba, y llega a una formulación final. Pero en lugar de tener un químico que solo pueda hacer un par de iteraciones en un lapso de días, nuestro sistema puede realizar cientos de iteraciones durante el mismo período de tiempo, "dice Mike Foshey, ingeniero mecánico y director de proyectos en el Grupo de Diseño y Fabricación Computacional (CDFG) del Laboratorio de Ciencias de la Computación e Inteligencia Artificial (CSAIL), y coautor principal del artículo.

Otros autores incluyen al coautor principal Timothy Erps, un técnico asociado en CDFG; Mina Konaković Luković, un postdoctorado de CSAIL; Wan Shou, un ex postdoctorado del MIT que ahora es profesor asistente en la Universidad de Arkansas; autor principal Wojciech Matusik, profesor de ingeniería eléctrica e informática en el MIT; y Hanns Hagen Geotzke, Herve Dietsch, y Klaus Stoll de BASF. La investigación fue publicada hoy en Avances científicos.

Optimización del descubrimiento

En el sistema que desarrollaron los investigadores, un algoritmo de optimización realiza gran parte del proceso de descubrimiento de prueba y error.

Un desarrollador de materiales selecciona algunos ingredientes, ingresa detalles sobre sus composiciones químicas en el algoritmo, y define las propiedades mecánicas que debe tener el nuevo material. Luego, el algoritmo aumenta y disminuye las cantidades de esos componentes (como girar las perillas de un amplificador) y verifica cómo cada fórmula afecta las propiedades del material, antes de llegar a la combinación ideal.

Luego, el desarrollador mezcla, procesos, y prueba esa muestra para averiguar cómo funciona realmente el material. El desarrollador informa los resultados al algoritmo, que aprende automáticamente del experimento y utiliza la nueva información para decidir sobre otra formulación para probar.

"Nosotros pensamos, para una serie de aplicaciones, esto superaría al método convencional porque puede confiar más en el algoritmo de optimización para encontrar la solución óptima. No necesitaría un químico experto a mano para preseleccionar las formulaciones de materiales, "Dice Foshey.

Los investigadores han creado un plataforma de optimización de materiales de código abierto llamada AutoOED que incorpora el mismo algoritmo de optimización. AutoOED es un paquete de software completo que también permite a los investigadores realizar su propia optimización.

Haciendo materiales

Los investigadores probaron el sistema usándolo para optimizar las formulaciones de una nueva tinta de impresión 3D que se endurece cuando se expone a la luz ultravioleta.

Identificaron seis productos químicos para usar en las formulaciones y establecieron el objetivo del algoritmo de descubrir el material de mejor rendimiento con respecto a la tenacidad. módulo de compresión (rigidez), y fuerza.

Maximizar estas tres propiedades manualmente sería un desafío especial porque pueden entrar en conflicto; por ejemplo, el material más resistente puede no ser el más rígido. Usando un proceso manual, un químico normalmente intentaría maximizar una propiedad a la vez, resultando en muchos experimentos y mucho desperdicio.

El algoritmo generó 12 materiales de alto rendimiento que tenían compensaciones óptimas de las tres propiedades diferentes después de probar solo 120 muestras.

Foshey y sus colaboradores se sorprendieron por la amplia variedad de materiales que el algoritmo pudo generar, y dicen que los resultados fueron mucho más variados de lo que esperaban según los seis ingredientes. El sistema fomenta la exploración, lo que podría ser especialmente útil en situaciones en las que las propiedades específicas del material no se pueden descubrir fácilmente de forma intuitiva.

Más rápido en el futuro

El proceso podría acelerarse aún más mediante el uso de automatización adicional. Los investigadores mezclaron y probaron cada muestra a mano, pero los robots podrían operar los sistemas de dispensación y mezcla en futuras versiones del sistema, Dice Foshey.

Más adelante en el camino a los investigadores también les gustaría probar este proceso de descubrimiento basado en datos para usos más allá del desarrollo de nuevas tintas de impresión 3D.

"Esto tiene amplias aplicaciones en la ciencia de los materiales en general. Por ejemplo, si desea diseñar nuevos tipos de baterías que sean de mayor eficiencia y menor costo, podría utilizar un sistema como este para hacerlo. O si desea optimizar la pintura para un automóvil que rinde bien y es respetuoso con el medio ambiente, este sistema podría hacer eso, también, " él dice.