MIT Araştırmacıları 3D Baskı İçin Makine Öğrenimiyle Yeni Malzeme Geliştirme Yöntemi Geliştirdi

MIT araştırmacıları, özelleştirilmiş tıbbi cihazlardan uygun fiyatlı evlere kadar her türlü öğeyi üretmek için 3D baskının artan popülaritesinin, çok özel kullanımlar için tasarlanmış yeni 3D baskı malzemelerine olan talebi artırdığını belirtti. Bu yeni malzemelerin keşfi için gereken süreyi kısaltmak amacıyla, MIT araştırmacıları, dayanıklılık ve sıkıştırma mukavemeti gibi birden fazla özelliğe sahip yeni 3D baskı malzemelerini optimize etmek için makine öğrenimini kullanan veri odaklı bir süreç geliştirdi. Malzeme geliştirmeyi hızlandırarak, bu sistem maliyetleri düşürür ve kimyasal atık miktarını azaltarak çevresel etkiyi azaltır. Makine öğrenimi algoritması ayrıca, insan sezgilerinin gözden kaçırabileceği benzersiz kimyasal formülasyonlar önererek yeniliği teşvik edebilir.

"Malzeme geliştirme hala büyük ölçüde manuel bir süreçtir. Bir kimyager laboratuvara girer, malzemeleri elle karıştırır, numuneler yapar, test eder ve son bir formülasyona ulaşır. Ancak bir kimyagerin günler boyunca sadece birkaç yineleme yapabileceği durumlarda, sistemimiz aynı süre zarfında yüzlerce yineleme yapabilir," diyor MIT Bilgisayar Bilimi ve Yapay Zeka Laboratuvarı'nın (CSAIL) Hesaplamalı Tasarım ve Üretim Grubu'nda (CDFG) mekanik mühendis ve proje yöneticisi olan Mike Foshey.

Araştırma, bugün Science Advances dergisinde yayımlandı ve ek yazarlar arasında CDFG'de teknik ortak olan Timothy Erps, CSAIL post-doc Mina Konaković Luković, şu anda Arkansas Üniversitesi'nde yardımcı doçent olan eski MIT post-doc Wan Shou, MIT'de elektrik mühendisliği ve bilgisayar bilimi profesörü olan kıdemli yazar Wojciech Matusik ve BASF'den Hanns Hagen Geotzke, Herve Dietsch ve Klaus Stoll yer alıyor.

Keşfi Optimize Etmek

Araştırmacıların geliştirdiği sistemde, bir optimizasyon algoritması deneme-yanılma keşif sürecinin çoğunu gerçekleştirir. Bir malzeme geliştirici birkaç bileşen seçer, kimyasal bileşimlerinin ayrıntılarını algoritmaya girer ve yeni malzemenin sahip olması gereken mekanik özellikleri tanımlar. Daha sonra algoritma, bileşenlerin miktarlarını artırır ve azaltır ve her formülün malzemenin özelliklerini nasıl etkilediğini kontrol eder, ideal kombinasyona ulaşana kadar.

Geliştirici daha sonra bu numuneyi karıştırır, işler ve malzemenin gerçekte nasıl performans gösterdiğini görmek için test eder. Geliştirici sonuçları algoritmaya bildirir ve algoritma, deneyden otomatik olarak öğrenir ve test etmek için başka bir formülasyona karar vermek için yeni bilgileri kullanır.

Foshey, "Birçok uygulama için bunun geleneksel yöntemden daha iyi performans göstereceğini düşünüyoruz, çünkü optimal çözümü bulmak için optimizasyon algoritmasına daha fazla güvenebilirsiniz. Malzeme formülasyonlarını önceden seçmek için bir uzman kimyagera ihtiyacınız olmaz," diyor.

Araştırmacılar, aynı optimizasyon algoritmasını içeren AutoOED adlı ücretsiz, açık kaynaklı bir malzeme optimizasyon platformu oluşturdular. AutoOED, araştırmacıların kendi optimizasyonlarını yapmalarına olanak tanıyan tam bir yazılım paketidir.

Malzemeleri Yapmak

Araştırmacılar, ultraviyole ışığa maruz kaldığında sertleşen yeni bir 3D baskı mürekkebi formülasyonlarını optimize etmek için sistemi kullanarak test ettiler. Formülasyonlarda kullanılmak üzere altı kimyasal belirlediler ve algoritmanın amacını dayanıklılık, sıkıştırma modülü (sertlik) ve mukavemet açısından en iyi performans gösteren malzemeyi ortaya çıkarmak olarak belirlediler.

Bu üç özelliği manuel olarak maksimize etmek özellikle zor olabilir çünkü birbirleriyle çelişebilirler; örneğin, en güçlü malzeme en sert olmayabilir. Manuel bir süreç kullanarak, bir kimyager tipik olarak bir özelliği maksimize etmeye çalışır, bu da birçok deney ve çok fazla atık ile sonuçlanır.

Algoritma, yalnızca 120 numuneyi test ettikten sonra üç farklı özelliğin optimal dengelerini sağlayan 12 en iyi performans gösteren malzemeyi ortaya çıkardı. Foshey ve işbirlikçileri, algoritmanın üretebildiği geniş malzeme yelpazesi karşısında şaşırdılar ve sonuçların, altı bileşen bazında beklediklerinden çok daha çeşitli olduğunu söylediler. Sistem keşfi teşvik eder, bu da belirli malzeme özelliklerinin sezgisel olarak kolayca keşfedilemeyeceği durumlarda özellikle faydalı olabilir.

Gelecekte Daha Hızlı

Süreç, ek otomasyon kullanılarak daha da hızlandırılabilir. Araştırmacılar her numuneyi elle karıştırıp test ettiler, ancak Foshey, gelecekteki sistem versiyonlarında robotların dağıtım ve karıştırma sistemlerini çalıştırabileceğini söylüyor. İleride, araştırmacılar bu veri odaklı keşif sürecini yeni 3D baskı mürekkeplerinin geliştirilmesinin ötesindeki kullanım alanları için de test etmek istiyorlar.

"Bu, genel olarak malzeme bilimi alanında geniş uygulamalara sahiptir. Örneğin, daha yüksek verimlilik ve daha düşük maliyetli yeni tür piller tasarlamak isterseniz, bunu yapmak için bu tür bir sistemi kullanabilirsiniz. Veya iyi performans gösteren ve çevre dostu olan bir araba boyası optimize etmek isterseniz, bu sistem bunu da yapabilir," diyor Foshey.

Bu çalışmanın, optimal malzemeleri tanımlamak için sistematik bir yaklaşım sunması nedeniyle, yüksek performanslı yapılar gerçekleştirme yolunda büyük bir adım olabileceğini söylüyor Boston Üniversitesi Makine Mühendisliği Bölümü'nde yardımcı doçent olan Keith A. Brown. "Yeni malzeme formülasyonlarına odaklanılması özellikle teşvik edicidir, çünkü bu, ticari olarak temin edilebilen malzemelerle sınırlı olan araştırmacılar tarafından sıklıkla göz ardı edilen bir faktördür. Ve veri odaklı yöntemlerin ve deneysel bilimin kombinasyonu, ekibin malzemeleri verimli bir şekilde tanımlamasına olanak tanır. Deneysel verimlilik, tüm deneycilerin belirleyebileceği bir şey olduğundan, buradaki yöntemlerin topluluğu daha fazla veri odaklı uygulamalar benimsemeye teşvik etme şansı vardır," diyor Brown.

Araştırma, BASF tarafından desteklendi.