La popularité croissante de l'impression 3D pour la fabrication de toutes sortes d'articles, des dispositifs médicaux personnalisés aux logements abordables, a créé plus de demande pour de nouveaux matériaux d'impression 3D conçus pour des usages très spécifiques.

Pour réduire le temps de découverte de ces nouveaux matériaux, les chercheurs du MIT ont développé un processus basé sur les données qui utilise l'apprentissage automatique pour optimiser les nouveaux matériaux d'impression 3D avec de multiples caractéristiques, comme la ténacité et la résistance à la compression.

En rationalisant le développement des matériaux, le système réduit les coûts et réduit l'impact environnemental en réduisant la quantité de déchets chimiques. L'algorithme d'apprentissage automatique pourrait également stimuler l'innovation en suggérant des formulations chimiques uniques que l'intuition humaine pourrait manquer.

"Le développement des matériaux est encore un processus manuel. Un chimiste entre dans un laboratoire, mélange les ingrédients à la main, fait des échantillons, les teste, et aboutit à une formulation finale. Mais plutôt que d'avoir un chimiste qui ne peut faire que quelques itérations sur une période de quelques jours, notre système peut effectuer des centaines d'itérations dans le même laps de temps, " dit Mike Foshey, ingénieur en mécanique et chef de projet au sein du Groupe Conception et Fabrication Computationnelles (CDFG) du Laboratoire d'Informatique et d'Intelligence Artificielle (CSAIL), et co-auteur principal de l'article.

Les autres auteurs incluent le co-auteur principal Timothy Erps, un collaborateur technique au CDFG; Mina Konaković Luković, un post-doctorant CSAIL; Wan Shou, un ancien post-doctorant du MIT qui est maintenant professeur assistant à l'Université de l'Arkansas; auteur principal Wojciech Matusik, professeur de génie électrique et d'informatique au MIT; et Hanns Hagen Geotzke, Hervé Dietsch, et Klaus Stoll de BASF. La recherche a été publiée aujourd'hui dans Avancées scientifiques.

Optimiser la découverte

Dans le système développé par les chercheurs, un algorithme d'optimisation effectue une grande partie du processus de découverte par essais et erreurs.

Un développeur de matériaux sélectionne quelques ingrédients, saisit des détails sur leurs compositions chimiques dans l'algorithme, et définit les propriétés mécaniques que le nouveau matériau doit avoir. Ensuite, l'algorithme augmente et diminue les quantités de ces composants (comme tourner les boutons d'un amplificateur) et vérifie comment chaque formule affecte les propriétés du matériau, avant d'arriver à la combinaison idéale.

Ensuite, le développeur mélange, processus, et teste cet échantillon pour découvrir comment le matériau se comporte réellement. Le développeur rapporte les résultats à l'algorithme, qui apprend automatiquement de l'expérience et utilise les nouvelles informations pour décider d'une autre formulation à tester.

"Nous pensons, pour un certain nombre d'applications, cela surpasserait la méthode conventionnelle car vous pouvez vous fier davantage à l'algorithme d'optimisation pour trouver la solution optimale. Vous n'auriez pas besoin d'un chimiste expert sur place pour présélectionner les formulations de matériaux, " dit Foshey.

Les chercheurs ont créé un libre, plate-forme d'optimisation des matériaux open source appelée AutoOED qui intègre le même algorithme d'optimisation. AutoOED est un progiciel complet qui permet également aux chercheurs d'effectuer leur propre optimisation.

Faire des matériaux

Les chercheurs ont testé le système en l'utilisant pour optimiser les formulations d'une nouvelle encre d'impression 3D qui durcit lorsqu'elle est exposée à la lumière ultraviolette.

Ils ont identifié six produits chimiques à utiliser dans les formulations et ont fixé l'objectif de l'algorithme de découvrir le matériau le plus performant en termes de ténacité, module de compression (rigidité), et la force.

Maximiser ces trois propriétés manuellement serait particulièrement difficile car elles peuvent être conflictuelles; par exemple, le matériau le plus résistant peut ne pas être le plus rigide. À l'aide d'un processus manuel, un chimiste essaie généralement de maximiser une propriété à la fois, résultant en de nombreuses expériences et beaucoup de déchets.

L'algorithme a proposé 12 matériaux les plus performants qui présentaient des compromis optimaux entre les trois propriétés différentes après avoir testé seulement 120 échantillons.

Foshey et ses collaborateurs ont été surpris par la grande variété de matériaux que l'algorithme a pu générer, et disent que les résultats étaient beaucoup plus variés que prévu sur la base des six ingrédients. Le système encourage l'exploration, ce qui pourrait être particulièrement utile dans les situations où des propriétés matérielles spécifiques ne peuvent pas être facilement découvertes intuitivement.

Plus vite dans le futur

Le processus pourrait être encore plus accéléré grâce à l'utilisation d'une automatisation supplémentaire. Les chercheurs ont mélangé et testé chaque échantillon à la main, mais les robots pourraient faire fonctionner les systèmes de distribution et de mélange dans les futures versions du système, dit Foshey.

Plus loin sur la route, les chercheurs aimeraient également tester ce processus de découverte basé sur les données pour des utilisations au-delà du développement de nouvelles encres d'impression 3D.

« Cela a de larges applications dans la science des matériaux en général. Par exemple, si vous vouliez concevoir de nouveaux types de batteries plus efficaces et à moindre coût, vous pouvez utiliser un système comme celui-ci pour le faire. Ou si vous vouliez optimiser la peinture pour une voiture performante et respectueuse de l'environnement, ce système pourrait le faire, trop, " il dit.