December 1, 2021
MIT Menggunakan AI Untuk Mempercepat Penemuan Materi Baru untuk Pencetakan 3D

MIT Menggunakan AI Untuk Mempercepat Penemuan Materi Baru untuk Pencetakan 3D

Para peneliti di MIT dan BASF telah mengembangkan sistem berbasis data yang mempercepat proses penemuan bahan cetak 3D baru yang memiliki banyak sifat mekanik. Kredit: Atas perkenan para peneliti

Sistem pembelajaran mesin baru lebih murah, menghasilkan lebih sedikit limbah, dan bisa lebih inovatif daripada metode penemuan manual.

Semakin populernya pencetakan 3D untuk pembuatan semua jenis barang, mulai dari perangkat medis yang disesuaikan hingga rumah yang terjangkau, telah menciptakan lebih banyak permintaan untuk bahan cetak 3D baru yang dirancang untuk penggunaan yang sangat spesifik.

Untuk mengurangi waktu yang dibutuhkan untuk menemukan materi baru ini, para peneliti di DENGAN telah mengembangkan proses berbasis data yang menggunakan pembelajaran mesin untuk mengoptimalkan materi pencetakan 3D baru dengan berbagai karakteristik, seperti ketangguhan dan kekuatan kompresi.

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

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

Penulis tambahan termasuk penulis pendamping Timothy Erps, rekan teknis di CDFG; Mina Konakovic Lukovic, seorang postdoc CSAIL; Wan Shou, mantan postdoc 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. Penelitian ini dipublikasikan pada 15 Oktober 2021, di Kemajuan Ilmu Pengetahuan.

Mengoptimalkan penemuan

Dalam sistem yang dikembangkan para peneliti, algoritme pengoptimalan melakukan sebagian besar proses penemuan coba-coba.

Pengembang material memilih beberapa bahan, memasukkan detail komposisi kimianya ke dalam algoritme, dan menentukan sifat mekanik yang harus dimiliki material baru. Kemudian algoritme menambah dan mengurangi jumlah komponen tersebut (seperti memutar kenop pada amplifier) ​​dan memeriksa bagaimana setiap formula memengaruhi properti material, sebelum mencapai kombinasi yang ideal.

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

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

Para peneliti telah membuat platform pengoptimalan materi sumber terbuka gratis yang disebut AutoOED yang menggabungkan algoritme pengoptimalan yang sama. AutoOED adalah paket perangkat lunak lengkap yang juga memungkinkan peneliti untuk melakukan optimasi mereka sendiri.

Membuat bahan

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

Mereka mengidentifikasi enam bahan kimia untuk digunakan dalam formulasi dan menetapkan tujuan algoritme untuk mengungkap bahan dengan kinerja terbaik sehubungan dengan ketangguhan, modulus kompresi (kekakuan), dan kekuatan.

Memaksimalkan ketiga properti ini secara manual akan sangat menantang karena dapat saling bertentangan; misalnya, bahan terkuat mungkin bukan yang paling kaku. Menggunakan proses manual, ahli kimia biasanya akan mencoba memaksimalkan satu properti pada satu waktu, menghasilkan banyak eksperimen dan banyak limbah.

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

Foshey dan kolaboratornya terkejut dengan berbagai macam bahan yang dapat dihasilkan oleh algoritme, dan mengatakan bahwa hasilnya jauh lebih bervariasi daripada yang mereka harapkan berdasarkan enam bahan. Sistem mendorong eksplorasi, yang bisa sangat berguna dalam situasi ketika sifat material tertentu tidak dapat dengan mudah ditemukan secara intuitif.

Lebih cepat di masa depan

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

Lebih jauh lagi, para peneliti juga ingin menguji proses penemuan berbasis data ini untuk penggunaan di luar pengembangan tinta cetak 3D baru.

“Ini memiliki aplikasi luas di seluruh ilmu material secara umum. Misalnya, jika Anda ingin merancang baterai jenis baru dengan efisiensi lebih tinggi dan biaya lebih rendah, Anda dapat menggunakan sistem seperti ini untuk melakukannya. Atau jika Anda ingin mengoptimalkan cat untuk mobil yang berkinerja baik dan ramah lingkungan, sistem ini juga bisa melakukannya,” katanya.

Karena menyajikan pendekatan sistematis untuk mengidentifikasi bahan yang optimal, pekerjaan ini bisa menjadi langkah besar untuk mewujudkan struktur kinerja tinggi, kata Keith A. Brown, asisten profesor di Departemen Teknik Mesin di Universitas Boston.

“Fokus pada formulasi bahan baru sangat menggembirakan karena ini adalah faktor yang sering diabaikan oleh para peneliti yang dibatasi oleh bahan yang tersedia secara komersial. Dan kombinasi metode berbasis data dan sains eksperimental memungkinkan tim untuk mengidentifikasi bahan secara efisien. Karena efisiensi eksperimental adalah sesuatu yang dapat diidentifikasi oleh semua peneliti, metode di sini memiliki peluang untuk memotivasi komunitas untuk mengadopsi lebih banyak praktik berbasis data,” katanya.

Referensi: “Penemuan materi cetak 3D yang dipercepat menggunakan pengoptimalan multiobjektif berbasis data” oleh Timothy Erps, Michael Foshey, Mina Konaković Luković, Wan Shou, Hanns Hagen Goetzke, Herve Dietsch, Klaus Stoll, Bernhard von Vacano, dan Wojciech Matusik, 15 Oktober 2021 , Kemajuan Ilmu Pengetahuan.
DOI: 10.1126 / sciadv.abf7435

Penelitian ini didukung oleh BASF.