30次實驗發現12種最佳配方，MIT最新AI算法將3D打印材料性能空間擴大288倍

鈦媒體 App 2021-10-18 21:30 搶發第一評

圖片來源@視覺中國

文丨學術頭條，作者丨庫珀，編審丨寇建超

3D 打印，也被稱為增材制造（Additive Manufacturing，AM），是目前人類制造業的前沿技術之一，有望使制造出以前難以制造的產品成為可能，在航空航天、建筑、汽車、牙科、食品、武器乃至人造器官等領域都擁有廣泛的應用前景。

盡管存在許多用于 3D 打印的材料，例如金屬材料、非金屬材料以及醫用生物材料等，但大多數材料都存在性能權衡問題，因為很多材料是用低效的、基于人類直覺的方法設計的，并非最佳材料解決方案。

近日，來自麻省理工學院計算機科學與人工智能實驗室（CSAIL）的科研團隊提出了一種機器學習方法，它能夠加速發現機械性能最佳的 3D 打印材料，相關研究論文以“Accelerated discovery of 3D printing materials using data-driven multiobjective optimization”為題，發表在科學期刊?Science Advances?上。

圖｜3D 打印設備（來源：維基百科）

在沒有主要配方的先驗知識的情況下，論文所提出的方法僅在 30 次實驗迭代后就自動揭示了 12 種最佳配方，并將發現的性能空間擴大了 288 倍，這種方法有望推廣到其他材料設計系統，實現最佳材料的自動發現。

尋找最佳復合配方

近年來，玻璃、電池、高溫陶瓷和人造器官等已成功實現了 3D 打印，在各種聚合物打印方法中，立體光刻和材料噴射 3D 打印顯示出了很好的應用前景，如機器人組件、假肢、生物支架和定制商品等（如鞋類、衣物、建筑、模型等）。

然而，新 3D 打印材料的開發目前依賴于聚合物化學領域知識和廣泛的試驗才能發現，這限制了材料開發的效率和可擴展性。且當下 3D 打印材料普遍一次使用一個性能因素進行設計和優化，這種方法通常需要測試過多的樣本，產生大量浪費和不良的環境影響，卻并不能找到最佳解決方案。

因此，3D 打印技術想要更加普及，加速開發具有最佳性能的材料至關重要。

而且，為了應對未來生物工程和航空航天工程等不同應用領域的技術挑戰，3D 打印還需要能針對特定應用優化材料性能。

在論文中，研究人員提出了一種半自動化的數據驅動工作流程，尋找用于 3D 打印技術的新型光固化油墨，展現出了成本效益和效率，該工作流程的目的是尋找一組最佳復合配方，在實驗中，材料方案由六種主要的光固化油墨配方組成，以改善機械性能，使其超過手動設計的主要配方性能水平，這些復合配方可自動針對多個性能目標進行優化，只需進行有限的實驗。

圖｜加速材料發現系統的工作流程示意圖（來源：Science Advances）

工作流程如上圖所示，首先研究人員根據需要按特定比例分配初級配方（圖 A），然后將其徹底混合（圖 B）以制備復合配方，接下來，將每個復合配方轉移到噴射閥 3D 打印機中進行樣品制備（圖 C），然后進行后處理（圖 D）以完成樣品制備。最后，通過對樣品進行測試，以提取其多個定量機械性能參數（即韌性、壓縮模量和最大壓縮模量、抗壓強度）（圖 E）。

為了最大限度地減少測試不同配方所需的資源，并快速找到更好的性能設計，研究人員使用了基于貝葉斯優化的數據驅動方法（圖 F）。

整個決策過程中的一個關鍵洞見，在于平衡利用最有前途的公式和探索設計空間的不確定區域。實驗結果展示了快速的性能空間改進和 12 種 3D 打印材料的發現，僅在 30 次算法迭代后就實現了最佳的融合方案，該方法還能很容易地推廣到其他配方設計問題，如堅韌水凝膠、外科密封劑或納米復合涂層的優化中。

性能空間體積增加 288 倍

具體而言，關于基本成分和材料配方，研究人員首先生成了一組相互兼容的光固化初級配方，以混合并具有不同的機械性能，當然，他們并不是從頭開始開發打印材料，而是首先確定了八種商用配方成分（包含一種光引發劑、三種稀釋劑和四種低聚物），然后，六種主要配方（A 至 F）由庫中的八種主要成分組成。

為確保配方成分的所有可能組合均可 3D 打印，且在可打印粘度范圍內，研究人員還添加了表面活性劑以調整材料表面張力，增加與打印機的兼容性。

圖｜系統中使用的主要配方以及主要配方性能，涵蓋廣泛的機械性能（來源：Science Advances）

之后，研究人員使用基于噴射閥分配技術的 3D 打印進行實驗，與其他類型的 3D 打印技術相比，噴射閥能夠分配具有多種流體特性的墨水材質，且需要較少的工藝參數調整就能實現可靠的打印過程，這些特性增加了可測試的材質種類，可減少樣品制作和數據收集的時間。

最后，為了從每個配方中提取性能數據，研究人員使用通用測試儀對 3D 打印和后處理的樣品進行壓縮測試。

論文中提出優化算法的目標是在主要配方 A 到 F 的 6D 設計空間中導航，并快速發現關于三個目標的最佳性能設計：韌性、壓縮模量和最大強度。之所以選擇這些性能指標，是因為這些特征是工程應用中重要機械性能，通常，這三種材料特性都需要最大化。

然而，這些目標往往相互沖突，因此沒有單一的最優解決方案，而是一組具有不同權衡的最佳性能設計。論文中提出的機器學習方法通過學習預測未測試樣本的性能，并指導設計空間的采樣，以快速找到性能更好的設計。

圖｜概述用于尋找最佳 3D 打印材料配方的優化算法（來源：Science Advances）

為了測試實驗中提議的材料開發工作流程，研究人員總共進行了 30 次算法迭代，因為除了初始數據集外，預算固定為 120 個樣本。在每個算法迭代中，為了減少時間，并行測試了四個樣本，在優化過程中總共測試了 120 個樣本，在測試了總共 150 個樣品（30 個初始樣品和 120 個算法提出的樣品）后，系統最終確定了一組 12 種配方，它們在壓縮模量、最大壓縮強度和韌性三個機械性能方面具有最佳權衡。

經過迭代的算法鼓勵探索性能空間的未知區域，并發現性能變化較大的材料。

當監測主要配方和所有評估樣品的抗壓強度和抗壓模量性能時，性能空間將擴大 250%；抗壓強度和韌性增大較大，提高了 399%；在壓縮模量和韌性方面，性能空間提高了 584%。凸面外殼是所有測試樣品內封閉的性能空間體積的度量，比最初五種主要配方的性能空間體積增加了 288 倍，這些改進對于需要特定屬性范圍，且無法輕易手動找到的應用程序可能很重要。

在實驗中，研究人員還發現優化產生的數據集，可提供有關化學成分對材料最終機械性能影響的有趣結果，例如聚氨酯二甲基丙烯酸酯（UDMA）是基礎混合物F中的主要成分，被認為對高模量材料有很大貢獻，這種貢獻可能是由于其高轉化率和形成氫鍵的趨勢。

此外，研究人員也看到了算法優化引擎傾向于最小化六官能團脂肪族聚氨酯丙烯酸酯（一種傾向于易碎印刷品的高度交聯試劑）的貢獻。

通過使用聚氨酯改性丙烯酸酯低聚物（含量為 24% 至 37%）、脂肪族聚氨酯二丙烯酸酯（含量高達 26%）和 UDMA（含量高達 40%）的配方，可獲得高韌性性能，高韌性配方還含有稀釋劑丙烯酸酰胺和丙烯酸酯，其范圍分別為 14% 至 18% 和 1% 至 19%。而最高性能的抗壓強度復合配方包括低聚物、34% 的聚氨酯改性丙烯酸酯、26%的脂肪族聚氨酯二丙烯酸酯和 6% 的 UDMA，它們還包括稀釋劑、15% 的丙烯酰胺和 19% 的丙烯酸酯。