ستركز هذه المقالة على تطوير مواد الطباعة ثلاثية الأبعاد واستخدام أربع حالات محددة لتفسير الأساليب المتقدمة الحالية، من أجل تمكين القراء من الحصول على فهم شامل وإدراك لتطبيق التعلم الآلي في تطوير المواد.

تم نشر هذه المقالة لأول مرة على الحساب الرسمي لـ HyperAI WeChat~

وقد حقق التعلم الآلي، من خلال AlphaFold، نتائج بحثية مشجعة في مجالات الأدوية الحيوية والتنبؤ ببنية البروتين. وعلى وجه الخصوص، من المتوقع أن يوفر التقدم الكبير الذي أحرزته تقنيات التعلم العميق الهندسي في نمذجة البنية الذرية حلولاً للمشاكل المفتوحة في علم المواد الحسابية.

ومع ذلك، بالمقارنة مع الجزيئات والبروتينات الشبيهة بالأدوية،يواجه النمذجة المادية أيضًا تحديين رئيسيين:

*  لا توجد طريقة تمثيل مناسبة لمعظم المواد.يتطلب تطوير نموذج التعلم الآلي الناجح تحيزًا استقرائيًا لمواد معينة، وهو ما يتطلب أن يكون للإدخال تنسيق أو انتظام معين. على سبيل المثال، يمكننا استخدام هياكل الرسم البياني ثنائية الأبعاد لتمثيل الجزيئات واستخدام التسلسلات لتمثيل البروتينات. وهذا غير ممكن في مجال المواد. بالإضافة إلى ذلك، تحتاج معظم المواد إلى التمثيل في ظل ظروف حدودية دورية، وهو ما يفرض تحديات كبيرة على كل من التعلم التمثيلي والنماذج التوليدية.

*  فئات المواد متنوعة ومتعددة.على سبيل المثال، البلورات غير العضوية، والبوليمرات، والأسطح الحفزية، والمواد النانوية المسامية، وما إلى ذلك. كل بنية مادية لها طريقة تمثيل مختلفة وتتطلب مهمة/مجموعة بيانات مخصصة.

وخاصة إذا أخذنا تطوير وتحسين أداء مواد الطباعة ثلاثية الأبعاد كمثال،كما أنها تواجه قيودًا مثل الاعتماد المفرط على المعرفة المهنية، والتجارب المتكررة، والتنازلات في الأداء.ستركز هذه المقالة على هذا الموضوع وتشارك نتائج وأساليب البحث العلمي المتطورة الحالية.

الطباعة ثلاثية الأبعاد + التعلم الآلي: نتائج مبهرة

التركيز على التحسين لهدف واحد

1. جامعة بوسطن: باحث مستقل تجريبي بايزيّ للتصميم الميكانيكي (2020)

اقرأ المقال كاملا:

https://www.science.org/doi/full/10.1126/sciadv.aaz1708

يمكن لمنصة الطباعة والاختبار ثلاثية الأبعاد الآلية القائمة على التحسين البايزي تسريع استكشاف الهياكل ذات المتانة العالية للضغط. الجمع بين التحسين البايزي والتجارب المستقلة عالية الإنتاجية،قام الباحثون بتطوير باحث تجريبي مستقل بايزيًا (BEAR)بالإضافة إلى التجارب السريعة، يقوم BEAR أيضًا بتكرار التجارب استنادًا إلى جميع النتائج المتاحة.

دراسة ميكانيكا المكونات المصنعة بشكل إضافي باستخدام BEAR

وباستخدام BEAR، يستطيع الباحثون استكشاف قوة تحمل عائلات معلمات البنية مع تقليل عدد التجارب المطلوبة لتحديد الهياكل عالية الأداء بنحو 60 مرة مقارنة بالعمليات البحثية القائمة على الشبكة.تظهر هذه النتائج قيمة التعلم الآلي في المجالات التجريبية حيث تكون البيانات نادرة.

2. جامعة نيويورك: الجمع بين التجارب الآلية في مجال الموائع الدقيقة والتعلم الآلي لتصميم بلمرة فعّالة (2020)

اقرأ المقال كاملا:

https://www.nature.com/articles/s42256-020-0166-5

قام باحثون بتطوير مفاعل ميكروفلويدي لفحص محفزات الزركونوسين (مركب) ودمجها مع خوارزمية المكعب اللاتيني لتحسين كفاءة تطوير المحفز.

مخطط سير عملية نظام المفاعل الدقيق للتصوير الحراري التلقائي لحفاز ميتالوسين الزركونيوم

خلال التجربة، اقترح الباحثون منهجية لدراسة تفاعلات البلمرة باستخدام مفاعلات كيميائية دقيقة آلية بمساعدة التعلم الآلي. وباستخدام نموذج أولي لمفاعل صغير مصمم ذاتيًا، إلى جانب الأتمتة وتكنولوجيا التصوير الحراري بالأشعة تحت الحمراء في الموقع، أجروا تجارب فعالة وسريعة لرسم خريطة لمساحة التفاعل لمحفزات بلمرة الميتالوسين الزركونيوم والحصول على معلمات حركية أساسية.

وقد نجحت التجارب في تقليل النفايات الكيميائية بمقدار ضعفين، وتقليص وقت اكتشاف المحفز من أسابيع إلى ساعات.

3. جامعة ليفربول، المملكة المتحدة: كيميائي روبوتي متنقل (2020)

اقرأ المقال كاملا:

https://www.nature.com/articles/s41586-020-2442-2

قام باحثون بتطوير روبوت متنقل (نموذجي، مرن، وقادر على التحرك بمفرده، بدلاً من أداة) للبحث عن محفزات ضوئية أفضل لإنتاج الهيدروجين في الماء.

عمل الروبوت بشكل مستقل لمدة تزيد عن 8 أيام، مدفوعًا بسلسلة من خوارزميات البحث البايزية، وأجرى 688 تجربة في مساحة 10 متغيرات.

وتظهر النتائج أنيعتبر خليط المحفز الضوئي الذي تم تطويره ذاتيًا أكثر نشاطًا بست مرات من التركيبة الأصلية.

التركيز على التحسين متعدد الأهداف

وُلِد روبوت تصنيع النقاط الكمومية الآلي، والذي يدمج الاختيار التجريبي القائم على التعلم الآلي والكيمياء السائلة لاستكشاف خصائص الأهداف المتعددة. ومع ذلك، تتم العملية برمتها في سائل.ويؤدي هذا أيضًا إلى درجة معينة من عدم القدرة على تغطية بعض العلاقات الأكثر تعقيدًا بين الصياغة والمعالجة والأداء.

وفي الوقت نفسه، فإن كل تجربة مكلفة للغاية وتستغرق وقتا طويلا، كما أن إمدادات المواد محدودة نسبيا؛يصبح جمع كميات كبيرة من البيانات أمرًا صعبًا.بالإضافة إلى ذلك، بالنسبة للعديد من التطبيقات في العالم الحقيقي، يجب عادةً استيفاء معايير أداء متعددة، مما يزيد من تعقيد استكشاف مساحة الأداء ويجعل من الصعب العثور على الحل الأمثل.

في هذه الحالة،يمكن لطرق التحسين متعددة الأهداف التي توجه أخذ العينات من مساحة التصميم أن تقلل بشكل فعال من عدد التجارب.

1. معهد ماساتشوستس للتكنولوجيا: تسريع اكتشاف مواد الطباعة ثلاثية الأبعاد باستخدام التحسين متعدد الأهداف القائم على البيانات

اقرأ المقال كاملا:

https://www.science.org/doi/10.1126/sciadv.abf7435

يستخدم الباحثون التعلم الآلي لتسريع تطوير مواد التصنيع الإضافية ذات المبادلات الميكانيكية المثالية. تم تطوير خوارزمية تحسين متعددة الأهداف لتوجيه التصميم التجريبي تلقائيًا من خلال اقتراح مزيج من الوصفات الرئيسية لإنشاء مواد ذات أداء أفضل.

مخطط سير العمل للنظام

(أ) توزيع الوصفات.

(ب) خلط الصيغة.

(ج) طابعة ثلاثية الأبعاد تستخدم في تصنيع العينات.

(د) العينة بعد المعالجة باستخدام الأشعة فوق البنفسجية والتسخين.

(هـ) اختبار ضغط استخراج بيانات الأداء.

(و) صياغة وتقييم أداء خوارزمية التحسين البايزية، وإخراج الصيغة الجديدة المقترحة للاختبار.

يمكن للخوارزمية، جنبًا إلى جنب مع منصة تصنيع شبه مستقلة، أن تقلل بشكل كبير من عدد التجارب التي يتم إجراؤها والوقت الإجمالي لحل المشكلة. دون معرفة الصيغة الرئيسية،تعمل الطريقة المقترحة على تطوير 12 صيغة مثالية بمفردها وتوسيع مساحة الأداء المكتشفة بمقدار 288 مرة بعد 30 تكرارًا تجريبيًا.ومن المتوقع أن يتم تعميم هذا النهج بسهولة على أنظمة تصميم المواد الأخرى وتمكين اكتشاف المواد تلقائيًا.

وتظهر النتائج التجريبية أنيستغرق الأمر 6797 ثانية فقط (أقل من ساعتين) لإكمال دورة تكرارية من التجربة.كل ما يتعين فعله هو تنفيذ خطوة نقل العينات يدويًا، مما يسرع بشكل كبير عملية تطوير مواد الطباعة ثلاثية الأبعاد.

سوق المحيط الأزرق آخر، من سيفوز بابتسامة؟

يُظهر "تقرير أبحاث تطوير صناعة الطباعة ثلاثية الأبعاد لعام 2021" الصادر عن Alibaba Cloud أن الطباعة ثلاثية الأبعاد حظيت في السنوات الأخيرة باهتمام واسع النطاق من المجتمع الدولي. خذ الولايات المتحدة كمثال. لقد استثمرت الكثير من القوى العاملة والموارد المادية والمالية في تكنولوجيا الطباعة ثلاثية الأبعاد، وطورت مواد طباعة أكثر وفرة، وجعلت هذه التكنولوجيا ناضجة بشكل متزايد. في الوقت الحالي، أصبحت الطباعة ثلاثية الأبعاد واحدة من أسرع الصناعات نموًا في الولايات المتحدة.

على النقيض من ذلك، بدأت الصين متأخرة في تطوير المواد، ولكن مع تركيز البلاد، فإن إمكانات السوق لصناعة الطباعة ثلاثية الأبعاد هائلة بلا شك. وتتوقع بعض منظمات الصناعة أن ينمو سوق الطباعة ثلاثية الأبعاد في الصين إلى 63.5 مليار يوان في عام 2025، وستمثل مواد الطباعة ثلاثية الأبعاد حوالي الثلث منها، وسيصل حجم السوق إلى عشرات المليارات. ويمكن الاستدلال على أن صناعة الطباعة ثلاثية الأبعاد أصبحت واحدة من التقنيات الأساسية التي تقود جولة جديدة من التحول الصناعي. باعتبارها أجزاء متوسطة وعليا من الصناعة، فإن أهمية مواد الطباعة ثلاثية الأبعاد واضحة.

الآن، في هذا المحيط الأزرق الضخم،التعلم الآليبفضل أدائها التنبئي القوي، فإنها تساهم في تسريع تطوير صناعة الطباعة ثلاثية الأبعاد. لذلك، بالنسبة للعديد من الشركات، من يستطيع اغتنام الفرصة أولاً والفوز سوف يعني أيضًاسوف يقف بنجاح على قمة التغيير.