Le MIT utilise l’IA pour accélérer la découverte de nouveaux matériaux pour l’impression 3D

Avatar photo
Accelerated Discovery of New 3D Printing Materials
Découverte accélérée de nouveaux matériaux d'impression 3D

Des chercheurs du MIT et de BASF ont développé un système basé sur les données qui accélère le processus de découverte de nouveaux matériaux d’impression 3D dotés de propriétés mécaniques multiples. Crédit : Avec l’aimable autorisation des chercheurs

Un nouveau système d’apprentissage automatique coûte moins cher, génère moins de déchets et peut être plus innovant que les méthodes de découverte manuelle.

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

Pour réduire le temps nécessaire à la découverte de ces nouveaux matériaux, les chercheurs de AVEC 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, telles que la ténacité et la résistance à la compression.

En rationalisant le développement des matériaux, le système réduit les coûts et 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 toujours un processus manuel. Un chimiste entre dans un laboratoire, mélange les ingrédients à la main, prépare des échantillons, les teste et parvient à une formulation finale. Mais plutôt que d’avoir un chimiste qui ne peut faire que quelques itérations sur une période de plusieurs jours, notre système peut en faire des centaines d’itérations sur la même période », explique Mike Foshey, ingénieur en mécanique et chef de projet dans le département Computational Design and Fabrication. Group (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 associé technique au CDFG ; Mina Konakovic Lukovic, post-doctorante 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, Herve Dietsch et Klaus Stoll de BASF. La recherche a été publiée le 15 octobre 2021 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, traite et teste cet échantillon pour déterminer les performances réelles du matériau. 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 que, 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 », explique Foshey.

Les chercheurs ont créé une plate-forme d’optimisation des matériaux gratuite et 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, de module de compression (rigidité) et de résistance.

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. En utilisant un processus manuel, un chimiste essaie généralement de maximiser une propriété à la fois, ce qui entraîne 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 ont déclaré que les résultats étaient bien 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, explique Foshey.

Plus tard, les chercheurs aimeraient également tester ce processus de découverte basé sur les données pour des utilisations allant 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 moins coûteux, vous pourriez 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 également le faire », dit-il.

Parce qu’il présente une approche systématique pour identifier les matériaux optimaux, ce travail pourrait être une étape majeure vers la réalisation de structures à haute performance, explique Keith A. Brown, professeur adjoint au département de génie mécanique de l’Université de Boston.

« L’accent mis sur les nouvelles formulations de matériaux est particulièrement encourageant car il s’agit d’un facteur souvent négligé par les chercheurs qui sont limités par les matériaux disponibles dans le commerce. Et la combinaison de méthodes basées sur les données et de la science expérimentale permet à l’équipe d’identifier les matériaux de manière efficace. Étant donné que l’efficacité expérimentale est quelque chose à laquelle tous les expérimentateurs peuvent s’identifier, les méthodes ici ont une chance de motiver la communauté à adopter des pratiques plus axées sur les données », dit-il.

Référence : « Découverte accélérée de matériaux d’impression 3D à l’aide d’une optimisation multiobjectif axée sur les données » par Timothy Erps, Michael Foshey, Mina Konaković Luković, Wan Shou, Hanns Hagen Goetzke, Herve Dietsch, Klaus Stoll, Bernhard von Vacano et Wojciech Matusik, 15 octobre 2021 , Avancées scientifiques.
DOI : 10.1126 / sciadv.abf7435

La recherche a été soutenue par BASF.

Related Posts