この記事では、3D プリント材料の開発に焦点を当て、読者に材料開発における機械学習の応用について全体的な理解と把握を提供することを目的として、4 つの具体的な事例を使用して現在の先進的な手法を説明します。

この記事は、HyperAI Super Neural WeChat パブリック アカウントから最初に公開されました~

AlphaFold に代表される機械学習は、バイオ医薬品やタンパク質の構造予測の分野ですでに満足のいく研究結果を生み出しており、特に幾何学的な深層学習は、科学における未解決の問題を提供することが期待されている原子構造モデリングにおいて大きな進歩を遂げています。ソリューション。

しかし、ドラッグライクな分子やタンパク質と比較すると、マテリアル モデリングは、次の 2 つの主要な課題にも直面しています。

*  ほとんどの資料には適切な表現がありません。成功する機械学習モデルを開発するには、特定の材料に対する帰納的バイアスが必要です。これには、入力が特定の形式またはパターンを持っている必要があります。たとえば、2D グラフ構造を使用して分子を表現したり、配列を使用してタンパク質を表現したりすることができます。この領域は実現できず、ほとんどのマテリアルは周期的な境界条件の下で表現する必要があるため、表現学習と生成モデルの両方に大きな課題が生じます。

*  素材のカテゴリーは多種多様です。無機結晶、ポリマー、触媒表面、ナノ多孔質材料など。各材料構造には異なる表現方法があり、専用のタスク/データセットが必要です。

特に 3D プリント材料の開発と性能の最適化を例に挙げると、また、専門知識への過度の依存、実験の繰り返し、パフォーマンスのトレードオフなどの制約にも直面します。この記事では、このトピックに焦点を当て、現在の最先端の科学研究の結果と方法を共有します。

3D プリンティング + 機械学習: 素晴らしい結果

単一目的の最適化に重点を置く

1. ボストン大学: 機械設計のためのベイジアン実験自律研究者 (2020)

論文全文を読む:

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

ベイジアン最適化に基づく自動 3D プリンティングおよびテスト プラットフォームにより、高圧縮靱性構造の探索を加速できます。ベイズ最適化と高スループットの自律実験を組み合わせることで、研究者らは、ベイジアン実験自律研究者 (BEAR) を開発しました。迅速な実験に加えて、BEAR は利用可能なすべての結果に基づいて実験を繰り返します。

BEAR で積層造形コンポーネントの仕組みを学ぶ

BEAR を使用すると、研究者は、グリッドベースの検索と比較して、高性能構造の特定に必要な実験の数を 60 倍近く削減しながら、構造パラメーター ファミリの靭性を調査できます。これらの結果は、データがまばらな実験分野における機械学習の価値を示しています。

2. ニューヨーク大学: 自動マイクロ流体実験と機械学習を組み合わせて効率的な重合設計を実現 (2020)

論文全文を読む:

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

研究者らは、ジルコノセン（化合物）触媒をスクリーニングするためのマイクロ流体リアクターを開発し、それをラテンハイパーキューブアルゴリズムと組み合わせて触媒開発の効率を向上させた。

ジルコニウムメタロセン触媒自動熱画像マイクロリアクターシステムのプロセスフローチャート

実験中、研究者らは、自動化とその場を組み合わせた自己設計のマイクロリアクタープロトタイプを使用して、機械学習支援の自動マイクロ化学リアクターを使用して重合反応を研究する方法論を提案しました。赤外線サーマルイメージング技術を使用して、効率的かつ迅速な実験を実施して、ジルコニウムメタロセン重合触媒の反応空間をマッピングし、基本的な速度論的パラメーターを取得します。

この実験の結果、化学廃棄物が 2 桁削減され、触媒の発見にかかる時間が数週間から数時間に短縮されました。

3. 英国リバプール大学: 移動ロボット化学者 (2020)

論文全文を読む:

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

研究者らは、水中での水素生成のためのより優れた光触媒を探すために、移動ロボット（モジュール式で柔軟性があり、機器ではなく自ら動くことができる）を開発した。

このロボットは、一連のベイジアン検索アルゴリズムによって駆動されて 8 日間以上自律的に走行し、10 個の変数を含む空間で 688 回の実験を実施しました。

結果は次のことを示していますこの自己探求により、元の配合よりも 6 倍活性な光触媒混合物が誕生しました。

多目的の最適化に焦点を当てる

自動化された量子ドット合成ロボットが誕生し、機械学習ベースの実験選択と流体化学を統合して、多目的パフォーマンスを調査しました。ただし、プロセス全体は流体中で行われます。このことはまた、より複雑な配合、加工、性能の関係の一部をカバーすることができないという結果にもつながります。

同時に、各実験には非常に費用と時間がかかり、材料の供給は比較的限られています。大量のデータを収集することが困難になります。さらに、実際のアプリケーションの多くでは、通常、複数のパフォーマンス基準を満たす必要があるため、パフォーマンス空間の探索が複雑になり、最適なソリューションを見つけることが困難になります。

この場合、設計空間のサンプリングをガイドする多目的最適化手法により、実験の数を効果的に削減できます。

1. MIT: データ駆動型の多目的最適化を使用して 3D プリント材料の発見を加速

論文全文を読む:

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

研究者たちは機械学習を利用して、最適な機械的特性のトレードオフを伴う積層造形材料の開発を加速しています。より優れた性能の材料を作成するための混合マスターレシピを提案することにより、実験計画を自動的にガイドする多目的最適化アルゴリズムも開発されました。

システムのワークフロー図

(A) レシピ配布。

(B) レシピの混合。

(C) サンプル作製に使用した 3D プリンター。

(D) 紫外線 (UV) 硬化と加熱によるサンプルの後処理。

( E ) パフォーマンス データ抽出のための圧縮テスト。

(F) ベイジアン最適化アルゴリズムのレシピとパフォーマンス評価。提案された新しいレシピ テストを出力します。

このアルゴリズムを半自律的な製造プラットフォームと組み合わせると、実行される実験の数と問題解決にかかる全体の時間が大幅に削減されます。主な公式を知らずに、提案された手法は、独自に 12 の最適なレシピを開発し、30 回の実験反復後に発見されたパフォーマンス空間を 288 倍に拡張しました。このアプローチは、他の材料設計システムに簡単に一般化でき、材料の自動検出が可能になることが期待されます。

実験結果は次のことを示しています反復サイクル実験を完了するのにかかる時間はわずか 6797 秒 (2 時間未満) です。サンプルを搬送するステップのみを手動で完了する必要があるため、3D プリント材料の開発プロセスが大幅にスピードアップされます。

市場のもう一つのブルーオーシャン、誰が笑顔で勝つことができるでしょうか？

Alibaba Cloudの「2021年3Dプリンティング産業発展調査報告書」によると、近年、3Dプリンティングが国際社会から広く注目を集めている。米国を例に挙げると、3D プリンティング技術に多大な人的資源、資材、財政的資源を投資し、より豊富な種類のプリンティング材料を開発し、この技術をますます成熟させてきました。現在、3D プリンティングは米国で最も急速に成長している産業の 1 つとなっています。

対照的に、中国は材料開発で遅れてスタートしましたが、同国が注力しているため、3D プリンティング産業の市場潜在力は間違いなく巨大です。一部の業界団体は、中国の3Dプリンティング市場は2025年に635億元に成長し、そのうち3Dプリンティング材料が約3分の1を占め、市場規模は数百億元に達すると予測している。 3D プリンティング業界は、新たな産業変革をリードする中核技術の 1 つとなっていると推測できます。 中流域と上流域では、3D プリント素材の重要性は自明のことです。

今見ると、この広大な青い海で、機械学習その強力な予測パフォーマンスにより、3D プリンティング業界の発展を加速させています。したがって、多くの企業にとって、誰が最初にチャンスを掴み、勝つことができるかということも意味します。変化の最前線に立つことに成功します。