19.10.2021 - Massachusetts Institute of Technology

Beschleunigung der Entdeckung neuer Materialien für den 3D-Druck

Ein neues maschinelles Lernsystem kostet weniger, erzeugt weniger Abfall und kann innovativer sein als manuelle Entdeckungsmethoden

Die wachsende Beliebtheit des 3D-Drucks für die Herstellung aller Arten von Gegenständen, von maßgeschneiderten medizinischen Geräten bis hin zu erschwinglichen Häusern, hat zu einer steigenden Nachfrage nach neuen 3D-Druckmaterialien geführt, die für ganz bestimmte Zwecke entwickelt wurden.

Um die Zeit zu verkürzen, die für die Entdeckung dieser neuen Materialien benötigt wird, haben Forscher am MIT einen datengesteuerten Prozess entwickelt, der maschinelles Lernen einsetzt, um neue 3D-Druckmaterialien mit mehreren Eigenschaften, wie Zähigkeit und Druckfestigkeit, zu optimieren.

Durch die Rationalisierung der Materialentwicklung senkt das System die Kosten und verringert die Umweltauswirkungen, indem es die Menge des chemischen Abfalls reduziert. Der Algorithmus für maschinelles Lernen könnte auch Innovationen fördern, indem er einzigartige chemische Formulierungen vorschlägt, die der menschlichen Intuition entgehen könnten.

"Die Materialentwicklung ist immer noch ein sehr manueller Prozess. Ein Chemiker geht in ein Labor, mischt die Zutaten von Hand, stellt Proben her, testet sie und kommt zu einer endgültigen Formulierung. Aber statt eines Chemikers, der nur ein paar Iterationen innerhalb von Tagen durchführen kann, kann unser System Hunderte von Iterationen in derselben Zeitspanne durchführen", sagt Mike Foshey, Maschinenbauingenieur und Projektleiter in der Computational Design and Fabrication Group (CDFG) des Computer Science and Artificial Intelligence Laboratory (CSAIL) und Mitautor der Studie.

Optimierung der Entdeckung

In dem von den Forschern entwickelten System übernimmt ein Optimierungsalgorithmus einen Großteil des Versuch-und-Irrtum-Entdeckungsprozesses.

Ein Materialentwickler wählt einige Inhaltsstoffe aus, gibt Details über deren chemische Zusammensetzung in den Algorithmus ein und definiert die mechanischen Eigenschaften, die das neue Material haben soll. Dann erhöht und verringert der Algorithmus die Mengen dieser Komponenten (wie das Drehen von Reglern an einem Verstärker) und prüft, wie sich jede Formel auf die Materialeigenschaften auswirkt, bevor er die ideale Kombination findet.

Dann mischt, verarbeitet und testet der Entwickler diese Probe, um herauszufinden, wie das Material tatsächlich funktioniert. Der Entwickler meldet die Ergebnisse an den Algorithmus, der automatisch aus dem Experiment lernt und die neuen Informationen nutzt, um sich für eine andere zu testende Rezeptur zu entscheiden.

"Wir glauben, dass dies für eine Reihe von Anwendungen die herkömmliche Methode übertreffen würde, weil man sich bei der Suche nach der optimalen Lösung stärker auf den Optimierungsalgorithmus verlassen kann. Man bräuchte keinen erfahrenen Chemiker, um eine Vorauswahl der Materialformulierungen zu treffen", sagt Foshey.

Die Forscher haben eine kostenlose, quelloffene Materialoptimierungsplattform namens AutoOED entwickelt, die denselben Optimierungsalgorithmus enthält. AutoOED ist ein vollständiges Softwarepaket, mit dem die Forscher auch ihre eigene Optimierung durchführen können.

Herstellung von Materialien

Die Forscher testeten das System, indem sie es zur Optimierung von Rezepturen für eine neue 3D-Druckfarbe einsetzten, die aushärtet, wenn sie mit ultraviolettem Licht bestrahlt wird.

Sie identifizierten sechs Chemikalien, die in den Formulierungen verwendet werden sollten, und legten das Ziel des Algorithmus so fest, dass er das Material mit der besten Leistung in Bezug auf Zähigkeit, Druckmodul (Steifigkeit) und Festigkeit herausfindet.

Die manuelle Maximierung dieser drei Eigenschaften wäre eine besondere Herausforderung, da sie sich widersprechen können; so ist beispielsweise das stärkste Material nicht unbedingt auch das steifste. Bei einem manuellen Prozess würde ein Chemiker in der Regel versuchen, eine Eigenschaft nach der anderen zu maximieren, was zu vielen Experimenten und einer Menge Abfall führt.

Der Algorithmus ermittelte nach nur 120 Proben die 12 leistungsfähigsten Materialien, die ein optimales Verhältnis zwischen den drei verschiedenen Eigenschaften aufwiesen.

Foshey und seine Mitarbeiter waren überrascht von der großen Vielfalt an Materialien, die der Algorithmus erzeugen konnte, und sagen, dass die Ergebnisse weitaus vielfältiger waren, als sie auf der Grundlage der sechs Bestandteile erwartet hatten. Das System regt zur Erkundung an, was besonders in Situationen nützlich sein könnte, in denen bestimmte Materialeigenschaften nicht einfach intuitiv entdeckt werden können.

Schneller in der Zukunft

Der Prozess könnte durch den Einsatz zusätzlicher Automatisierung noch weiter beschleunigt werden. Die Forscher mischten und testeten jede Probe von Hand, aber in zukünftigen Versionen des Systems könnten Roboter die Dosier- und Mischsysteme bedienen, so Foshey.

In der Zukunft möchten die Forscher diesen datengesteuerten Entdeckungsprozess auch für andere Zwecke als die Entwicklung neuer 3D-Druckfarben testen.

"Dies hat breite Anwendungen in der Materialwissenschaft im Allgemeinen. Wenn man zum Beispiel neue Batterietypen mit höherem Wirkungsgrad und geringeren Kosten entwickeln wollte, könnte man ein System wie dieses verwenden. Oder wenn man einen Autolack optimieren wollte, der gut funktioniert und umweltfreundlich ist, könnte man das mit diesem System ebenfalls tun", sagt er.

Hinweis: Dieser Artikel wurde mit einem Computersystem ohne menschlichen Eingriff übersetzt. LUMITOS bietet diese automatischen Übersetzungen an, um eine größere Bandbreite an aktuellen Nachrichten zu präsentieren. Da dieser Artikel mit automatischer Übersetzung übersetzt wurde, ist es möglich, dass er Fehler im Vokabular, in der Syntax oder in der Grammatik enthält. Den ursprünglichen Artikel in Englisch finden Sie hier.

Fakten, Hintergründe, Dossiers
  • 3D-Druck-Materialien
  • Roboter
  • Medizintechnik
Mehr über MIT