Inventar | Von Der Einzelzieloptimierung Zur Mehrzieloptimierung Hat Die Entwicklung Von 3D-Druckmaterialien Die 100-fache Geschwindigkeitsstufe Erreicht
In diesem Artikel liegt der Schwerpunkt auf der Entwicklung von 3D-Druckmaterialien. Anhand von vier konkreten Fällen werden aktuelle fortschrittliche Methoden interpretiert, um den Lesern ein Gesamtverständnis und ein Verständnis für die Anwendung des maschinellen Lernens in der Materialentwicklung zu vermitteln.
Dieser Artikel wurde zuerst auf dem offiziellen WeChat-Konto von HyperAI veröffentlicht~
Vertreten durch AlphaFold hat das maschinelle Lernen ermutigende Forschungsergebnisse in den Bereichen Biopharmazeutika und Proteinstrukturvorhersage erzielt. Insbesondere die großen Fortschritte, die durch geometrisches Deep Learning bei der Modellierung atomarer Strukturen erzielt werden, dürften Lösungen für offene Probleme in der computergestützten Materialwissenschaft liefern.
Im Vergleich zu medikamentenähnlichen Molekülen und ProteinenDarüber hinaus ist die Materialmodellierung mit zwei wesentlichen Herausforderungen konfrontiert:
* Für die meisten Materialien gibt es keine geeignete Darstellungsmethode.Die Entwicklung eines erfolgreichen maschinellen Lernmodells erfordert eine induktive Voreingenommenheit gegenüber bestimmten Materialien, was wiederum erfordert, dass die Eingabe ein bestimmtes Format oder eine bestimmte Regelmäßigkeit aufweist. Beispielsweise können wir 2D-Graphstrukturen zur Darstellung von Molekülen und Sequenzen zur Darstellung von Proteinen verwenden. Dies ist im Werkstoffbereich nicht möglich. Darüber hinaus müssen die meisten Materialien unter periodischen Randbedingungen dargestellt werden, was sowohl für das Repräsentationslernen als auch für generative Modelle große Herausforderungen darstellt.
* Die Materialkategorien sind vielfältig und unterschiedlich.Beispielsweise anorganische Kristalle, Polymere, katalytische Oberflächen, nanoporöse Materialien usw. Jede Materialstruktur hat eine andere Darstellungsmethode und erfordert eine dedizierte Aufgabe/einen dedizierten Datensatz.
Insbesondere am Beispiel der Entwicklung und Leistungsoptimierung von 3D-Druckmaterialien,Darüber hinaus gibt es Einschränkungen wie die übermäßige Abhängigkeit von Fachwissen, wiederholte Experimente und Leistungseinbußen.Dieser Artikel konzentriert sich auf dieses Thema und stellt die neuesten wissenschaftlichen Forschungsergebnisse und -methoden vor.
3D-Druck + maschinelles Lernen: beeindruckende Ergebnisse
Fokus auf Einzelzieloptimierung
1. Boston University: Ein Bayesianischer experimenteller autonomer Forscher für mechanisches Design (2020)
Lesen Sie das vollständige Dokument:
https://www.science.org/doi/full/10.1126/sciadv.aaz1708
Eine automatisierte 3D-Druck- und Testplattform auf Basis der Bayes'schen Optimierung kann die Erforschung von Strukturen mit hoher Druckzähigkeit beschleunigen. Durch die Kombination von Bayesscher Optimierung und autonomen HochdurchsatzexperimentenForscher haben einen Bayesianischen Experimental Autonomous Researcher (BEAR) entwickeltZusätzlich zu schnellen Experimenten iteriert BEAR auch Experimente basierend auf allen verfügbaren Ergebnissen.
Untersuchung der Mechanik additiv gefertigter Bauteile mit BEAR
Mithilfe von BEAR können Forscher die Robustheit von Strukturparameterfamilien untersuchen und gleichzeitig die Anzahl der zur Identifizierung von Hochleistungsstrukturen erforderlichen Experimente im Vergleich zu gitterbasierten Suchen um fast das 60-fache reduzieren.Diese Ergebnisse zeigen den Wert des maschinellen Lernens in experimentellen Bereichen, in denen Daten knapp sind.
2. New York University: Kombination automatisierter mikrofluidischer Experimente mit maschinellem Lernen für effizientes Polymerisationsdesign (2020)
Lesen Sie das vollständige Dokument:
https://www.nature.com/articles/s42256-020-0166-5
Forscher haben einen Mikrofluidreaktor zum Screening von Zirkonocen-Katalysatoren (einer Verbindung) entwickelt und ihn mit dem Latin-Hypercube-Algorithmus kombiniert, um die Effizienz der Katalysatorentwicklung zu verbessern.
Prozessablaufdiagramm eines automatischen thermischen Bildgebungs-Mikroreaktorsystems für Zirkonium-Metallocen-Katalysatoren
Während des Experiments schlugen die Forscher eine Methodik zur Untersuchung von Polymerisationsreaktionen mithilfe maschinenlerngestützter automatisierter mikrochemischer Reaktoren vor. Mithilfe eines selbst entwickelten Mikroreaktor-Prototyps in Kombination mit Automatisierung und In-situ-Infrarot-Wärmebildtechnologie führten sie effiziente und schnelle Experimente durch, um den Reaktionsraum von Zirkonium-Metallocen-Polymerisationskatalysatoren abzubilden und grundlegende kinetische Parameter zu erhalten.
Durch die Experimente wurde der chemische Abfall um zwei Größenordnungen reduziert und die Zeit für die Katalysatorentdeckung von Wochen auf Stunden verkürzt.
3. Universität Liverpool, Großbritannien: Ein mobiler Roboterchemiker (2020)
Lesen Sie das vollständige Dokument:
https://www.nature.com/articles/s41586-020-2442-2
Forscher haben einen mobilen Roboter (modular, flexibel und in der Lage, sich selbstständig zu bewegen, im Gegensatz zu einem Instrument) entwickelt, um nach besseren Photokatalysatoren für die Wasserstoffproduktion in Wasser zu suchen.
Der Roboter arbeitete mehr als acht Tage lang autonom, gesteuert durch eine Reihe Bayesscher Suchalgorithmen, und führte 688 Experimente in einem Raum mit zehn Variablen durch.
Die Ergebnisse zeigen, dassDie selbst entwickelte Photokatalysatormischung ist sechsmal aktiver als die Originalformel.
Fokus auf Mehrzieloptimierung
Ein automatisierter Quantenpunktsyntheseroboter wurde geboren, der eine auf maschinellem Lernen basierende experimentelle Auswahl und Flüssigkeitschemie integriert, um die Eigenschaften mehrerer Ziele zu untersuchen. Der gesamte Prozess wird jedoch in einer Flüssigkeit durchgeführt.Dies führt auch dazu, dass einige komplexere Formulierungs-Verarbeitungs-Leistungs-Beziehungen bis zu einem gewissen Grad nicht abgedeckt werden können.
Gleichzeitig ist jedes Experiment sehr kostspielig und zeitaufwendig und die Materialversorgung ist relativ begrenzt;Das Sammeln großer Datenmengen wird schwierig.Darüber hinaus müssen für viele reale Anwendungen üblicherweise mehrere Leistungskriterien erfüllt werden, was die Erkundung des Leistungsraums komplexer macht und es schwierig macht, die optimale Lösung zu finden.
In diesem Fall,Durch mehrzielige Optimierungsmethoden, die das Design Space Sampling leiten, kann die Anzahl der Experimente effektiv reduziert werden.
1. Massachusetts Institute of Technology: Beschleunigte Entdeckung von 3D-Druckmaterialien durch datengesteuerte multiobjektive Optimierung
Lesen Sie das vollständige Dokument:
https://www.science.org/doi/10.1126/sciadv.abf7435
Forscher nutzen maschinelles Lernen, um die Entwicklung von Materialien für die additive Fertigung mit optimalen Kompromissen bei den mechanischen Eigenschaften zu beschleunigen. Es wurde ein mehrzieliger Optimierungsalgorithmus entwickelt, der das experimentelle Design automatisch steuert, indem er Mischungen wichtiger Rezepturen vorschlägt, um Materialien mit besserer Leistung zu erzeugen.
Schematische Darstellung des Systemablaufs
( A ) Rezeptverteilung.
( B ) Mischen der Formulierung.
(C) 3D-Drucker zur Probenherstellung.
(D) Nachbehandlung der Probe durch Ultraviolett-(UV)-Härtung und Erhitzen.
( E ) Komprimierungstest der Leistungsdatenextraktion.
( F ) Formulierung und Leistungsbewertung des Bayes'schen Optimierungsalgorithmus, Ausgabe der vorgeschlagenen neuen Formulierung zum Testen.
Der Algorithmus kann in Kombination mit einer halbautonomen Fertigungsplattform die Anzahl der durchgeführten Experimente und die Gesamtzeit zur Lösung des Problems erheblich reduzieren. Ohne die Hauptformel zu kennen,Die vorgeschlagene Methode entwickelt selbstständig 12 optimale Formulierungen und erweitert den entdeckten Leistungsraum nach 30 experimentellen Iterationen um das 288-fache.Es wird erwartet, dass dieser Ansatz leicht auf andere Materialdesignsysteme übertragen werden kann und eine automatische Materialerkennung ermöglicht.
Die experimentellen Ergebnisse zeigen, dassEs dauert nur 6797 Sekunden (weniger als 2 Stunden), um einen iterativen Zyklus des Experiments abzuschließen.Lediglich der Schritt der Probenübertragung muss manuell durchgeführt werden, was den Entwicklungsprozess von 3D-Druckmaterialien erheblich beschleunigt.
Ein weiterer Blue-Ocean-Markt. Wer wird mit einem Lächeln gewinnen?
Der „Forschungsbericht zur Entwicklung der 3D-Druckindustrie 2021“ von Alibaba Cloud zeigt, dass der 3D-Druck in den letzten Jahren große Aufmerksamkeit in der internationalen Gemeinschaft erhalten hat. Nehmen wir die Vereinigten Staaten als Beispiel. Das Unternehmen hat viel Personal, Material und finanzielle Ressourcen in die 3D-Drucktechnologie investiert, umfangreichere Druckmaterialien entwickelt und diese Technologie immer ausgereifter gemacht. Derzeit ist der 3D-Druck eine der am schnellsten wachsenden Branchen in den Vereinigten Staaten.
Im Gegensatz dazu hat China erst spät mit der Materialentwicklung begonnen, doch mit der Fokussierung des Landes ist das Marktpotenzial der 3D-Druckindustrie zweifellos riesig. Einige Branchenorganisationen prognostizieren, dass der chinesische 3D-Druckmarkt bis 2025 voraussichtlich auf 63,5 Milliarden Yuan anwachsen wird. Etwa ein Drittel davon wird auf 3D-Druckmaterialien entfallen, und das Marktvolumen wird mehrere zehn Milliarden erreichen. Man kann davon ausgehen, dass die 3D-Druckindustrie zu einer der Kerntechnologien geworden ist, die eine neue Runde der industriellen Transformation anführen. Da wir uns im mittleren und oberen Segment der Branche befinden, ist die Bedeutung von 3D-Druckmaterialien offensichtlich.
Jetzt, in diesem riesigen blauen Ozean,maschinelles LernenMit seiner leistungsstarken Vorhersageleistung beschleunigt es die Entwicklung der 3D-Druckbranche. Daher bedeutet für viele Unternehmen die Frage, wer als Erster die Chance ergreifen und gewinnen kann, auchWird erfolgreich an der Schwelle zur Veränderung stehen.