Forscher am Massachusetts Institute of Technology (MIT) haben laut einer Pressemitteilung einen Algorithmus für Maschinelles Lernen (ML) zur Beschleunigung der Identifizierung von 3D-druckbaren Materialien entwickelt. Der Algorithmus ist in der Software AutoOED integriert und identifiziert automatisch geeignete 3D-Druck-Materialien mit den für das zu druckende Objekt gewünschten Eigenschaften, wie zum Beispiel Druckfestigkeit, Steifigkeit oder Zähigkeit. Ihre Arbeit haben die Forscher in einem Artikel mit dem Titel „Accelerated discovery of 3D printing materials using data-driven multiobjective optimization“ im Fachjournal Science Advances veröffentlicht.
Details zum Algorithmus
Mithilfe des Algorithmus können Benutzer die Kosten, Vorlaufzeiten und Verschwendung, die durch die traditionelle Harzformulierung entstehen, umgehen und neue Mischungen finden.
Mike Foshey, der Co-Leitautor des Papiers, erklärt:
„Die Materialentwicklung ist immer noch ein sehr manueller Prozess. Ein Chemiker geht in ein Labor, mischt Zutaten von Hand, macht Proben, testet sie und kommt zu einer endgültigen Formulierung. Aber anstatt einen Chemiker zu haben, der nur ein paar Iterationen über einen Zeitraum von Tagen durchführen kann, kann unser System Hunderte von Iterationen über den gleichen Zeitraum durchführen.“
Entwickler von 3D-Druck-Materialien benötigen fundierte Kenntnisse in der Polymerchemie sowie Ausrüstung und für langwierige Bewertungen erforderliche Träger. Manuell kann nur ein Faktor pro Probe bewertet werden, was das Ganze sehr ineffizient macht. Für eine schnellere Entwicklung anwendungsspezifischer 3D-Druckharze ist laut dem MIT-Team ein autonomer F&E-Zyklus notwendig.
Versuche mit dem AutoOED
Um dem Bedarf an dateneffizienten Optimierungsalgorithmen mit Multitasking-Fähigkeiten zur Beschleunigung der Materialforschung und -Entwicklung, entstand das AutoOED. Auf der Suche nach photohärtbaren Tinten wird ein mehrzieliger Ansatz verfolgt und ein überarbeiteter Algorithmus minimiert dazu die Anzahl der erforderlichen Versuche effektiv.
Benutzer können die Mengen der Inhaltsstoffe eines potenziellen Materials sowie die Eigenschaften, die es haben muss, eingeben und der Algorithmus berechnet die Formel. Die Ergebnisse der anschließend folgenden Tests des Materialprototypen werden dem in den Algorithmus zurückgeführt und dieser nutzt die Information, um in einem engeren zyklischen Prototyping-Prozess einen anderen zum Testen vorzuschlagen.
Die Forscher testeten die Effizienz, indem sie sechs Tinten entwickelten, die verglichen zu manuell formulierten Materialien verbesserte Eigenschaften hatten. Nach nur 30 Iterationen stellten sie fest, dass der Algorithmus 12 3D-druckbare Harze entdeckte, die teilweise bis zu 70% stärker als normal waren.
Foshey ergänzt:
„Der Algorithmus hat breite Anwendungsmöglichkeiten in der Materialwissenschaft im Allgemeinen. Wenn Sie beispielsweise neue Batterietypen mit höherer Effizienz und niedrigeren Kosten entwickeln wollten, könnten Sie ein solches System verwenden. Oder wenn man die Lackierung für ein Auto optimieren wollte, das gut funktioniert und umweltfreundlich ist, könnte dieses System auch das tun.“
