Open-Source-Algorithmus zur Beschleunigung der Entwicklung neuer 3D-Druckmaterialien

Wissenschaftler des Massachusetts Institute of Technology (MIT) haben einen Algorithmus für maschinelles Lernen (ML) entwickelt, der den Prozess der Identifizierung von 3D-druckbaren Materialien beschleunigen könnte.

Gegenwärtig erfordert die Entwicklung neuer Materialien für den 3D-Druck, dass die Hersteller nicht nur über fundierte Kenntnisse der Polymerchemie verfügen, sondern auch eine breite Ausrüstung, um die Materialien zu prüfen und zu bewerten. Dieser manuelle Prozess erlaubt auch nur die Bewertung eines Faktors pro Probe. Das schränkt die Entwicklung weiter ein und macht sie weniger zugänglich sowie teurer.

Aus diesem Grund hat das MIT-Team eine Möglichkeit gesucht, eine einfachere Entwicklung von 3D-Druckharzen zu suchen. Die Forscher stellten fest, dass es bei der Materialforschung und -entwicklung einen Bedarf an dateneffizienten Optimierungsalgorithme gibt. Aus diesem Grund haben sie AutoOED entwickelt. Hier reduziert ein Algorithmus die Anzahl der möglichen Materialkombinationen und ermöglicht somit ein effizenteres Arbeiten.

Theoretisch funktioniert die Software des Teams so, dass die Benutzer aufgefordert werden, die Mengen der Inhaltsstoffe eines potenziellen Materials sowie die Eigenschaften, die es haben muss, einzugeben, bevor sie anhand dieser Daten eine ideale Formel berechnet. Sobald ein Materialprototyp getestet wurde, können die Ergebnisse wieder in den Algorithmus eingespeist werden, der diese Informationen dann nutzt, um einen weiteren Prototyp vorzuschlagen, der in einem engeren zyklischen Prozess getestet wird.

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.

Neben der Identifizierung potenzieller Möglichkeiten zur Materialoptimierung konnte AutoOED auch die Forschung und Entwicklung von Materialien mit einer größeren Variabilität der Eigenschaften untersuchen. Während der Tests untersuchte der Algorithmus beispielsweise Formulierungen mit einer Steigerung der Druckfestigkeit oder Zähigkeit um bis zu 399 % und einer Steigerung des Druckmoduls um bis zu 584 %.

Der Arbeitsablauf der Forscher könnte sich daher ideal für die Identifizierung von Materialien eignen, deren Anwendung stark von bestimmten Eigenschaften abhängt, die nicht ohne weiteres von Hand formuliert werden können. Die Forscher glauben, dass ihr Ansatz eine neue Generation von Hydrogelen, chirurgischen Dichtungsmitteln und Nanokompositbeschichtungen mit Potenzial für die Luft- und Raumfahrt oder die Medizin hervorbringen könnte.

Das Team hat für die Software auch eine eigene Webseite erstellt. Dort kann man AutoOED auch kostenlos herunterladen.

Die Ergebnisse der Forscher werden in ihrem Paper mit dem Titel “Accelerated discovery of 3D printing materials using data-driven multiobjective optimization” beschrieben, das von Timothy Erps, Michael Foshey, Mina Konakovic Lukovic, Hanns Hagen, Herve Dietsch, Klaus Stoll, Bernhard von Vacano und Wojciech Matusik verfasst wurde.