Algoritmo open source per accelerare lo sviluppo di nuovi materiali di stampa 3D
Gli scienziati del Massachusetts Institute of Technology (MIT) hanno sviluppato un algoritmo di apprendimento automatico (ML) che potrebbe accelerare il processo di identificazione dei materiali stampabili in 3D .
Attualmente, lo sviluppo di nuovi materiali per la stampa 3D richiede che i produttori non solo abbiano una conoscenza approfondita della chimica dei polimeri, ma anche un’ampia gamma di apparecchiature per testare e valutare i materiali. Questo processo manuale consente inoltre di valutare un solo fattore per campione. Ciò limita ulteriormente lo sviluppo e lo rende meno accessibile e più costoso.
Per questo motivo, il team del MIT ha cercato un modo per cercare uno sviluppo più semplice della resina per la stampa 3D. I ricercatori hanno scoperto che c’è bisogno di algoritmi di ottimizzazione efficienti per i dati nella ricerca e nello sviluppo dei materiali. Ecco perché hanno sviluppato AutoOED. Qui un algoritmo riduce il numero di possibili combinazioni di materiali e consente quindi un lavoro più efficiente.
In teoria, il software del team funziona per richiedere agli utenti di inserire le quantità di ingredienti in un potenziale materiale e le proprietà che deve avere prima di calcolare una formula ideale basata su quei dati. Una volta che un prototipo di materiale è stato testato, i risultati possono essere reimmessi nell’algoritmo, che quindi utilizza queste informazioni per proporre un altro prototipo che viene testato in un processo più strettamente ciclico.
Um die Wirksamkeit ihres Arbeitsablaufs zu bewerten, haben die Ingenieure versucht, sechs Tinten zu entwickeln, die im Vergleich zu manuell entwickelten Materialien verbesserte Eigenschaften aufweisen. Nach nur 30 Iterationen stellte das Team fest, dass ihr Algorithmus in der Lage war, 12 3D-druckbare Harze zu entdecken, von denen einige bis zu 70 % stärker als normal waren, die meisten jedoch einen „optimalen Kompromiss“ in Bezug auf Zähigkeit, Steifigkeit und Festigkeit aufwiesen.
Oltre a identificare potenziali opportunità per l’ottimizzazione dei materiali, AutoOED è stato anche in grado di studiare la ricerca e lo sviluppo di materiali con una maggiore variabilità nelle proprietà. Durante i test, ad esempio, l’algoritmo ha esaminato formulazioni con un aumento della resistenza alla compressione o tenacità fino al 399% e un aumento del modulo di pressione fino al 584%.
Il flusso di lavoro dei ricercatori potrebbe quindi essere ideale per identificare materiali la cui applicazione dipende in larga misura da determinate proprietà che non possono essere facilmente formulate a mano. I ricercatori ritengono che il loro approccio potrebbe generare una nuova generazione di idrogel, sigillanti chirurgici e rivestimenti nanocompositi con un potenziale per l’industria aerospaziale o medica.
