Cet article se concentrera sur le développement de matériaux d'impression 3D et utilisera quatre cas spécifiques pour interpréter les méthodes avancées actuelles, afin de permettre aux lecteurs d'avoir une compréhension et une compréhension globales de l'application de l'apprentissage automatique dans le développement de matériaux.

Cet article a été publié pour la première fois sur le compte officiel WeChat de HyperAI~

Représenté par AlphaFold, l’apprentissage automatique a obtenu des résultats de recherche encourageants dans les domaines des produits biopharmaceutiques et de la prédiction de la structure des protéines. En particulier, les grands progrès réalisés par l’apprentissage profond géométrique dans la modélisation de la structure atomique devraient apporter des solutions aux problèmes ouverts de la science des matériaux computationnels.

Cependant, comparés aux molécules et protéines de type médicament,La modélisation des matériaux est également confrontée à deux défis principaux :

*  Il n’existe pas de méthode de représentation adaptée à la plupart des matériaux.Développer un modèle d’apprentissage automatique réussi nécessite un biais inductif pour des matériaux spécifiques, ce qui nécessite que l’entrée ait un certain format ou une certaine régularité. Par exemple, nous pouvons utiliser des structures graphiques 2D pour représenter des molécules et utiliser des séquences pour représenter des protéines. Ce n’est pas possible dans le domaine des matériaux. De plus, la plupart des matériaux doivent être représentés dans des conditions limites périodiques, ce qui pose de grands défis à la fois à l’apprentissage de la représentation et aux modèles génératifs.

*  Les catégories de matériaux sont variées et diverses.Par exemple, les cristaux inorganiques, les polymères, les surfaces catalytiques, les matériaux nanoporeux, etc. Chaque structure de matériau a une méthode de représentation différente et nécessite une tâche/un ensemble de données dédié.

Prenons notamment comme exemple le développement et l’optimisation des performances des matériaux d’impression 3D.Elle est également confrontée à des contraintes telles qu’une dépendance excessive aux connaissances professionnelles, des expériences répétées et des compromis en matière de performances.Cet article se concentrera sur ce sujet et partagera les résultats et méthodes de recherche scientifique de pointe actuels.

Impression 3D + apprentissage automatique : des résultats impressionnants

Se concentrer sur l'optimisation à objectif unique

1. Université de Boston : Un chercheur autonome expérimental bayésien pour la conception mécanique (2020)

Lire l'article complet :

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

Une plate-forme d’impression et de test 3D automatisée basée sur l’optimisation bayésienne peut accélérer l’exploration de structures à haute résistance à la compression. Combinant l'optimisation bayésienne et les expériences autonomes à haut débit,Des chercheurs ont développé un chercheur autonome expérimental bayésien (BEAR)En plus des expériences rapides, BEAR itère également des expériences en fonction de tous les résultats disponibles.

Étudier la mécanique des composants fabriqués de manière additive avec BEAR

Grâce à BEAR, les chercheurs peuvent explorer la robustesse des familles de paramètres de structure tout en réduisant de près de 60 fois le nombre d'expériences nécessaires pour identifier les structures à hautes performances par rapport aux recherches basées sur une grille.Ces résultats montrent l’intérêt de l’apprentissage automatique dans les domaines expérimentaux où les données sont rares.

2. Université de New York : Combinaison de l’expérimentation microfluidique automatisée et de l’apprentissage automatique pour une conception de polymérisation efficace (2020)

Lire l'article complet :

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

Des chercheurs ont développé un réacteur microfluidique pour le criblage de catalyseurs à base de zirconocène (un composé) et l'ont combiné avec l'algorithme latin hypercube pour améliorer l'efficacité du développement de catalyseurs.

Organigramme du processus d'un système de microréacteur d'imagerie thermique automatique pour catalyseur métallocène au zirconium

Au cours de l’expérience, les chercheurs ont proposé une méthodologie pour étudier les réactions de polymérisation à l’aide de réacteurs microchimiques automatisés assistés par apprentissage automatique. En utilisant un prototype de microréacteur auto-conçu combiné à l'automatisation et à la technologie d'imagerie thermique infrarouge in situ, ils ont mené des expériences efficaces et rapides pour cartographier l'espace de réaction des catalyseurs de polymérisation de métallocènes de zirconium et obtenir des paramètres cinétiques de base.

Les expériences ont permis de réduire les déchets chimiques de deux ordres de grandeur et de réduire la découverte de catalyseurs de plusieurs semaines à quelques heures.

3. Université de Liverpool, Royaume-Uni : Un chimiste robotique mobile (2020)

Lire l'article complet :

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

Des chercheurs ont développé un robot mobile (modulaire, flexible et capable de se déplacer seul, plutôt qu'un instrument) pour rechercher de meilleurs photocatalyseurs pour la production d'hydrogène dans l'eau.

Le robot a fonctionné de manière autonome pendant plus de 8 jours, piloté par une série d'algorithmes de recherche bayésiens, effectuant 688 expériences dans un espace de 10 variables.

Les résultats montrent queLe mélange photocatalyseur développé par nos soins est six fois plus actif que la formule originale.

Se concentrer sur l'optimisation multi-objectifs

Un robot automatisé de synthèse de points quantiques est né, intégrant une sélection expérimentale basée sur l'apprentissage automatique et la chimie des fluides pour explorer les propriétés multi-cibles. Cependant, l’ensemble du processus se déroule dans un fluide.Cela conduit également à un certain degré d’incapacité à couvrir certaines relations formulation-traitement-performance plus complexes.

En même temps, chaque expérience est très coûteuse et prend beaucoup de temps, et l’approvisionnement en matériaux est relativement limité ;La collecte de grandes quantités de données devient difficile.De plus, pour de nombreuses applications réelles, plusieurs critères de performance doivent généralement être respectés, ce qui augmente la complexité de l’exploration de l’espace de performance et rend difficile la recherche de la solution optimale.

Dans ce cas,Les méthodes d’optimisation multi-objectifs qui guident l’échantillonnage de l’espace de conception peuvent réduire efficacement le nombre d’expériences.

1. Massachusetts Institute of Technology : Découverte accélérée de matériaux d'impression 3D grâce à l'optimisation multi-objectifs basée sur les données

Lire l'article complet :

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

Les chercheurs utilisent l’apprentissage automatique pour accélérer le développement de matériaux de fabrication additive avec des compromis optimaux en termes de propriétés mécaniques. Un algorithme d'optimisation multi-objectifs a été développé pour guider automatiquement la conception expérimentale en proposant des mélanges de recettes clés pour créer des matériaux avec de meilleures performances.

Le diagramme de flux de travail du système

( A ) Distribution de recettes.

( B ) Mélange de formulation.

(C) Imprimante 3D utilisée pour la fabrication d'échantillons.

(D) Post-traitement de l'échantillon avec durcissement et chauffage aux ultraviolets (UV).

( E ) Test de compression des données de performance d'extraction.

( F ) Formulation et évaluation des performances de l'algorithme d'optimisation bayésienne, produisant la nouvelle formulation proposée pour les tests.

L'algorithme, combiné à une plateforme de fabrication semi-autonome, peut réduire considérablement le nombre d'expériences effectuées et le temps global nécessaire pour résoudre le problème. Sans connaître la formule principale,La méthode proposée développe 12 formulations optimales par elle-même et étend l'espace de performance découvert de 288 fois après 30 itérations expérimentales.Cette approche devrait être facilement généralisée à d’autres systèmes de conception de matériaux et permettre la découverte automatique de matériaux.

Les résultats expérimentaux montrent queIl ne faut que 6797 secondes (moins de 2 heures) pour terminer un cycle itératif de l’expérience.Seule l’étape de transfert des échantillons doit être effectuée manuellement, ce qui accélère considérablement le processus de développement des matériaux d’impression 3D.

Encore un marché océan bleu, qui gagnera avec le sourire ?

Le « Rapport de recherche sur le développement de l'industrie de l'impression 3D 2021 » d'Alibaba Cloud montre que ces dernières années, l'impression 3D a reçu une large attention de la part de la communauté internationale. Prenons l’exemple des États-Unis. Elle a investi beaucoup de ressources humaines, matérielles et financières dans la technologie d'impression 3D, a développé des matériaux d'impression plus abondants et a rendu cette technologie de plus en plus mature. Actuellement, l’impression 3D est devenue l’une des industries à la croissance la plus rapide aux États-Unis.

En revanche, la Chine a commencé tardivement le développement des matériaux, mais avec l'attention du pays, le potentiel du marché de l'industrie de l'impression 3D est sans aucun doute énorme. Certaines organisations industrielles prévoient que le marché chinois de l'impression 3D devrait atteindre 63,5 milliards de yuans en 2025, dont les matériaux d'impression 3D représenteront environ un tiers, et la taille du marché atteindra des dizaines de milliards. On peut en déduire que l’industrie de l’impression 3D est devenue l’une des technologies de base menant un nouveau cycle de transformation industrielle. En tant que parties intermédiaires et supérieures de l’industrie, l’importance des matériaux d’impression 3D est évidente.

Maintenant, dans cet immense océan bleu,Apprentissage automatiqueGrâce à ses puissantes performances prédictives, il accélère le développement de l’industrie de l’impression 3D. Par conséquent, pour de nombreuses entreprises, savoir qui peut saisir l’opportunité en premier et gagner signifiera égalementNous réussirons à nous tenir à l’aube du changement.