محققان MIT و BASF یک سیستم مبتنی بر داده ایجاد کرده اند که روند کشف مواد چاپ سه بعدی جدید را که دارای خواص مکانیکی متعدد هستند ، تسریع می کند.

سیستم یادگیری ماشین جدید هزینه کمتری دارد ، ضایعات کمتری تولید می کند و می تواند نوآورتر از روش های کشف دستی باشد. محبوبیت روزافزون چاپ سه بعدی برای تولید انواع اقلام ، از دستگاه های پزشکی سفارشی گرفته تا خانه های مقرون به صرفه ، تقاضای بیشتری برای مواد چاپ سه بعدی جدید که برای مصارف بسیار خاص طراحی شده اند ، ایجاد کرده است.

برای کاهش زمان لازم درکشف این مواد جدید ، محققان در MIT یک فرایند مبتنی بر داده را توسعه داده اند که از یادگیری ماشین برای بهینه سازی مواد چاپ سه بعدی جدید با ویژگی های متعدد ، مانند چقرمگی و مقاومت فشاری استفاده می کند. با ساده سازی توسعه مواد ، سیستم با کاهش میزان ضایعات شیمیایی هزینه ها را کاهش داده و تاثیرات زیست محیطی را کاهش می دهد.

الگوریتم یادگیری ماشین می تواند با پیشنهاد فرمول های شیمیایی منحصر به فردی که شهود انسان از دست می دهد ، نوآوری را تحریک کند. توسعه مواد هنوز یک فرآیند دستی است.

در سیستمی که محققان توسعه داده اند ، یک الگوریتم بهینه سازی بسیاری از فرایند کشف آزمایش و خطا را انجام می دهد. یک توسعه دهنده مواد چند ماده را انتخاب می کند ، جزئیات ترکیب شیمیایی آنها را در الگوریتم وارد می کند و ویژگی های مکانیکی مواد جدید را مشخص می کند. سپس الگوریتم مقدار آن قطعات را افزایش و کاهش می دهد و قبل از رسیدن به ترکیب ایده آل ، نحوه تأثیر هر فرمول بر خواص مواد را بررسی می کند.

سپس توسعه دهنده آن نمونه ها را مخلوط ، پردازش و آزمایش می کند تا از نحوه عملکرد واقعی این مواد مطلع شود. توسعه دهنده نتایج را به الگوریتم گزارش می دهد ، که به طور خودکار از آزمایش یاد می گیرد و از اطلاعات جدید برای تصمیم گیری در مورد فرمول دیگری برای آزمایش استفاده می کند.

محققان یک پلت فرم بهینه سازی رایگان و منبع باز به نام AutoOED ایجاد کرده اند که از الگوریتم بهینه سازی یکسانی برخوردار است. AutoOED یک بسته نرم افزاری کامل است که به محققان اجازه می دهد بهینه سازی خود را انجام دهند.

224000726.004