3D 打印在制造各种物品，从定制医疗设备到经济适用房方面的日益普及，对专为特定用途设计的新型3D打印材料产生了更多需求。

为了缩短发现这些新材料所需的时间，麻省理工学院的研究人员，开发了一种数据驱动的过程，该过程使用机器学习来优化具有多种特性，如具有韧性和抗压强度的新型 3D 打印材料。

通过简化材料开发，该系统通过减少化学废物量，来降低成本并减轻对环境的影响。机器学习算法还可以通过提出人类直觉可能遗漏的独特化学配方来刺激创新。

材料开发在很大程度上仍然是一个手动过程。化学家进入实验室，手工混合成分，制作样品，测试它们，并得出最终配方。

但是，与其让化学家在几天内只能进行几次迭代，该系统可以在同一时间跨度内进行数百次迭代。

在研究人员开发的系统中，优化算法执行了大部分试错发现过程。

材料开发人员选择一些成分，将其化学成分的详细信息输入算法，并定义新材料应具有的机械性能。然后，算法会增加和减少这些组件的数量，例如转动放大器上的旋钮，并在达到理想组合之前检查每个公式如何影响材料的属性。

然后开发人员混合、处理和测试样品，以了解材料的实际性能。开发人员将结果报告给算法，算法会自动从实验中学习并使用新信息来决定要测试的另一个配方。

对于许多应用程序，这将优于传统方法，因为您可以更加依赖优化算法来找到最佳解决方案，而不需要专业的化学家来预先选择材料配方。

研究人员创建了一个名为AutoOED的免费开源材料优化平台，其中包含相同的优化算法。AutoOED 是一个完整的软件包，它也允许研究人员进行自己的优化。

制作材料

研究人员通过使用该系统来优化新 3D 打印墨水的配方来测试该系统，该墨水在暴露于紫外线下时会变硬。

他们确定了在配方中使用的六种化学品，并设定了算法的目标，以发现在韧性、压缩模量（刚度）和强度方面表现最佳的材料。

手动最大化这三个属性将特别具有挑战性，因为它们可能相互冲突；例如，最强的材料可能不是最硬的。使用手动过程，化学家通常会尝试一次最大化一个属性，从而导致许多实验和大量浪费。

该算法仅在测试了120个样品后，就得出了12种性能最佳的材料，这些材料在三种不同属性之间进行了最佳权衡。

Foshey 和他的合作者，对算法能够生成的材料种类繁多感到惊讶，并表示根据六种成分得出的结果比他们预期的要多得多。该系统鼓励探索，这在无法轻松直观地发现特定材料属性的情况下尤其有用。

未来更快

通过使用额外的自动化，可以进一步加速该过程。研究人员手动混合和测试每个样品，但机器人可以在系统的未来版本中操作分配和混合系统。

在未来，研究人员还想测试这种数据驱动的发现过程，以用于开发新的 3D 打印墨水之外的用途。

这在整个材料科学领域具有广泛的应用。例如，如果您想设计效率更高、成本更低的新型电池，您可以使用这样的系统来实现。或者，如果您想为性能良好且环保的汽车优化油漆，该系统也可以做到这一点。

它提供了一种识别最佳材料的系统方法，这项工作可能是实现高性能结构的重要一步。

对新型材料配方的关注尤其令人鼓舞，因为这是一个经常被受市售材料限制的研究人员所忽视的因素。数据驱动方法和实验科学的结合使团队能够以有效的方式识别材料。由于实验效率是所有实验者都可以识别的东西，这里的方法有机会激励社区采用更多数据驱动的实践。