MIT最新AI算法将3D打印材料性能空间扩大288倍

3D 打印，也被称为增材制造（Additive Manufacturing，AM），是目前人类制造业的前沿技术之一，有望使制造出以前难以制造的产品成为可能，在航空航天、建筑、汽车、牙科、食品、武器乃至人造器官等领域都拥有广泛的应用前景。

尽管存在许多用于 3D 打印的材料，例如金属材料、非金属材料以及医用生物材料等，但大多数材料都存在性能权衡问题，因为很多材料是用低效的、基于人类直觉的方法设计的，并非最佳材料解决方案。

近日，来自麻省理工学院计算机科学与人工智能实验室（CSAIL）的科研团队提出了一种机器学习方法，它能够加速发现机械性能最佳的 3D 打印材料，相关研究论文以"Accelerated discovery of 3D printing materials using data-driven multiobjective optimization"为题，发表在科学期刊 Science Advances 上。

在没有主要配方的先验知识的情况下，论文所提出的方法 仅在 30 次实验迭代后就自动揭示了 12 种最佳配方，并将发现的性能空间扩大了 288 倍，这种方法有望推广到其他材料设计系统，实现最佳材料的自动发现。

寻找最佳复合配方

近年来，玻璃、电池、高温陶瓷和人造器官等已成功实现了 3D 打印，在各种聚合物打印方法中，立体光刻和材料喷射 3D 打印显示出了很好的应用前景，如机器人组件、假肢、生物支架和定制商品等（如鞋类、衣物、建筑、模型等）。

然而，新 3D 打印材料的开发目前依赖于聚合物化学领域知识和广泛的试验才能发现，这限制了材料开发的效率和可扩展性。且当下 3D 打印材料普遍一次使用一个性能因素进行设计和优化，这种方法通常需要测试过多的样本，产生大量浪费和不良的环境影响，却并不能找到最佳解决方案。

因此， 3D 打印技术想要更加普及，加速开发具有最佳性能的材料至关重要。

而且，为了应对未来生物工程和航空航天工程等不同应用领域的技术挑战，3D 打印还需要能针对特定应用优化材料性能。

在论文中，研究人员提出了一种半自动化的数据驱动工作流程，寻找用于 3D 打印技术的新型光固化油墨，展现出了成本效益和效率，该工作流程的目的是寻找一组最佳复合配方，在实验中，材料方案由六种主要的光固化油墨配方组成，以改善机械性能，使其超过手动设计的主要配方性能水平，这些复合配方可自动针对多个性能目标进行优化，只需进行有限的实验。

加速材料发现系统的工作流程示意图（来源：Science Advances）

工作流程如上图所示，首先研究人员根据需要按特定比例分配初级配方（图 A），然后将其彻底混合（图 B）以制备复合配方，接下来，将每个复合配方转移到喷射阀 3D 打印机中进行样品制备（图 C），然后进行后处理（图 D）以完成样品制备。最后，通过对样品进行测试，以提取其多个定量机械性能参数（即韧性、压缩模量和最大压缩模量、抗压强度）（图 E）。

为了最大限度地减少测试不同配方所需的资源，并快速找到更好的性能设计，研究人员使用了基于贝叶斯优化的数据驱动方法（图 F）。

整个决策过程中的一个关键洞见，在于平衡利用最有前途的公式和探索设计空间的不确定区域。实验结果展示了快速的性能空间改进和 12 种 3D 打印材料的发现，仅在 30 次算法迭代后就实现了最佳的融合方案，该方法还能很容易地推广到其他配方设计问题，如坚韧水凝胶、外科密封剂或纳米复合涂层的优化中。

性能空间体积增加 288 倍

具体而言，关于基本成分和材料配方，研究人员首先生成了一组相互兼容的光固化初级配方，以混合并具有不同的机械性能，当然，他们并不是从头开始开发打印材料，而是首先确定了八种商用配方成分（包含一种光引发剂、三种稀释剂和四种低聚物），然后，六种主要配方（A至F）由库中的八种主要成分组成。

为确保配方成分的所有可能组合均可 3D 打印，且在可打印粘度范围内，研究人员还添加了表面活性剂以调整材料表面张力，增加与打印机的兼容性。

系统中使用的主要配方以及主要配方性能，涵盖广泛的机械性能（来源：Science Advances）

之后，研究人员使用基于喷射阀分配技术的 3D 打印进行实验，与其他类型的 3D 打印技术相比，喷射阀能够分配具有多种流体特性的墨水材质，且需要较少的工艺参数调整就能实现可靠的打印过程，这些特性增加了可测试的材质种类，可减少样品制作和数据收集的时间。

最后，为了从每个配方中提取性能数据，研究人员使用通用测试仪对 3D 打印和后处理的样品进行压缩测试。

论文中提出优化算法的目标是在主要配方 A 到 F 的 6D 设计空间中导航，并快速发现关于 三个目标的最佳性能设计：韧性、压缩模量和最大强度。 之所以选择这些性能指标，是因为这些特征是工程应用中重要机械性能，通常， 这三种材料特性都需要最大化。

然而，这些目标往往相互冲突，因此没有单一的最优解决方案，而是一组具有不同权衡的最佳性能设计。论文中提出的机器学习方法通过学习预测未测试样本的性能，并指导设计空间的采样，以快速找到性能更好的设计。

概述用于寻找最佳 3D 打印材料配方的优化算法（来源：Science Advances）

为了测试实验中提议的材料开发工作流程，研究人员总共进行了 30 次算法迭代，因为除了初始数据集外，预算固定为 120个样本。在每个算法迭代中，为了减少时间，并行测试了四个样本，在优化过程中总共测试了 120个样本，在测试了总共 150个样品（30个初始样品和 120个算法提出的样品）后，系统最终确定了一组 12 种配方，它们在压缩模量、最大压缩强度和韧性三个机械性能方面具有最佳权衡。

经过迭代的算法鼓励探索性能空间的未知区域，并发现性能变化较大的材料。

当监测主要配方和所有评估样品的抗压强度和抗压模量性能时，性能空间将扩大250%；抗压强度和韧性增大较大，提高了399%；在压缩模量和韧性方面，性能空间提高了584%。凸面外壳是所有测试样品内封闭的性能空间体积的度量，比最初五种主要配方的性能空间体积增加了 288 倍，这些改进对于需要特定属性范围，且无法轻易手动找到的应用程序可能很重要。

在实验中，研究人员还发现优化产生的数据集，可提供有关化学成分对材料最终机械性能影响的有趣结果，例如聚氨酯二甲基丙烯酸酯（UDMA）是基础混合物F中的主要成分，被认为对高模量材料有很大贡献，这种贡献可能是由于其高转化率和形成氢键的趋势。

此外，研究人员也看到了算法优化引擎倾向于最小化六官能团脂肪族聚氨酯丙烯酸酯（一种倾向于易碎印刷品的高度交联试剂）的贡献。

通过使用聚氨酯改性丙烯酸酯低聚物（含量为 24% 至 37%）、脂肪族聚氨酯二丙烯酸酯（含量高达 26%）和 UDMA（含量高达 40%）的配方，可获得高韧性性能，高韧性配方还含有稀释剂丙烯酸酰胺和丙烯酸酯，其范围分别为 14% 至 18% 和 1% 至 19%。而最高性能的抗压强度复合配方包括低聚物、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，它们还包括稀释剂、15% 的丙烯酰胺和 19% 的丙烯酸酯。

提供了一个新的研究基础

研究人员总结， 本文提出的方法为改善混合聚合物系统的性能特性提供了一种自动准备“管道”，从混合到样品加工，过程的每一步都可以完全自动化，这为自动化工艺提供了一个模板，该模板可通过改变实验中使用的基材来适应各种优化需求，如涂层或成型。

不过，本项研究也存在些许局限性。例如在定义设计空间时，基本成分仅限于选择了已知的可打印的墨水或材质，这虽然提高了实验效率，但可能会遗漏一些位于基础油墨材质组合之外的创新组合。而选择喷射阀分配作为印刷工艺允许考虑大范围的材料，不过，这也一定程度阻止了将结果直接应用于商业印刷工艺。

值得肯定的是，这种科研思路还是打开了一扇新大门，论文描述的材料发现系统为优化3D打印的光聚合物配方提供了全新方法,使用该系统，业界可以找到一套3D打印材料全新配方，在压缩模量、压缩强度和韧性等机械性能方面进行最佳权衡，这为材料工程师和聚合物化学家寻找和优化各种性能目标和应用的材料配方奠定了基础。

来源：学术头条