재고 | 단일 목적 최적화에서 다중 목적 최적화까지, 3D 프린팅 소재 개발은 100배 속도 단계에 진입했습니다.

이 글에서는 3D 프린팅 소재 개발에 초점을 맞추고, 4가지 구체적인 사례를 통해 현재의 첨단 방법을 해석합니다. 이를 통해 독자들이 소재 개발에 머신 러닝을 적용하는 것에 대한 전반적인 이해와 파악을 할 수 있도록 돕습니다.
본 글은 HyperAI 위챗 공식 계정에 처음 게재되었습니다~
AlphaFold가 대표하는 머신 러닝은 생물약학 및 단백질 구조 예측 분야에서 격려적인 연구 성과를 거두었습니다. 특히, 원자 구조 모델링에서 기하학적 딥러닝이 이룬 엄청난 진전은 계산재료과학 분야의 미해결 문제에 대한 해결책을 제공할 것으로 기대됩니다.
그러나 약물과 유사한 분자 및 단백질과 비교하면,재료 모델링은 또한 두 가지 주요 과제에 직면합니다.
* 대부분의 자료에 적합한 표현 방법은 없습니다.성공적인 머신 러닝 모델을 개발하려면 특정 재료에 대한 귀납적 편향이 필요하며, 이를 위해서는 입력이 특정 형식이나 규칙성을 가져야 합니다. 예를 들어, 2D 그래프 구조를 사용하여 분자를 표현하고 시퀀스를 사용하여 단백질을 표현할 수 있습니다. 이런 일은 재료 분야에서는 불가능합니다. 또한 대부분의 재료는 주기적 경계 조건으로 표현되어야 하는데, 이는 표현 학습과 생성 모델 모두에 큰 과제를 안겨줍니다.
* 재료의 종류는 다양하고 다양합니다.예를 들어, 무기 결정, 폴리머, 촉매 표면, 나노다공성 물질 등이 있습니다. 각 물질 구조는 서로 다른 표현 방법을 가지며 전용 작업/데이터세트가 필요합니다.
특히 3D 프린팅 소재의 개발 및 성능 최적화를 예로 들면,또한 전문 지식에 대한 과도한 의존, 반복적인 실험, 성능 저하와 같은 제약에도 직면합니다.이 글에서는 이 주제에 초점을 맞춰 최신 과학 연구 결과와 방법을 공유하겠습니다.
3D 프린팅 + 머신 러닝: 인상적인 결과
단일 목표 최적화에 집중
1. 보스턴 대학교: 기계 설계를 위한 베이지안 실험적 자율 연구자(2020)
전체 논문을 읽어보세요:
https://www.science.org/doi/full/10.1126/sciadv.aaz1708
베이지안 최적화를 기반으로 한 자동화된 3D 프린팅 및 테스트 플랫폼을 통해 높은 압축 인성 구조에 대한 탐색을 가속화할 수 있습니다. 베이지안 최적화와 고처리량 자율 실험을 결합하면연구원들은 베이지안 실험 자율 연구자(BEAR)를 개발했습니다.BEAR는 빠른 실험 외에도 사용 가능한 모든 결과에 따라 실험을 반복합니다.

BEAR를 사용하여 적층 제조된 구성 요소의 역학 연구
BEAR를 사용하면 연구자들은 그리드 기반 검색에 비해 고성능 구조를 식별하는 데 필요한 실험 수를 약 60배 줄이는 동시에 구조 매개변수 계열의 견고성을 탐색할 수 있습니다.이러한 결과는 데이터가 부족한 실험 영역에서 머신 러닝의 가치를 보여줍니다.
2. 뉴욕대학교: 효율적인 중합 설계를 위한 자동화된 미세유체 실험과 머신러닝의 결합(2020)
전체 논문을 읽어보세요:
https://www.nature.com/articles/s42256-020-0166-5
연구진은 지르코노센(화합물) 촉매를 스크리닝하기 위한 미세유체 반응기를 개발했으며, 이를 라틴 하이퍼큐브 알고리즘과 결합하여 촉매 개발의 효율성을 개선했습니다.

지르코늄 메탈로센 촉매용 자동 열화상 마이크로 반응기 시스템의 공정 흐름도
실험 과정에서 연구진은 머신 러닝을 이용한 자동 미세화학 반응기를 사용하여 중합 반응을 연구하는 방법론을 제안했습니다. 그들은 자동화와 현장 적외선 열화상 기술을 결합한 자체 설계 마이크로반응기 프로토타입을 사용하여 지르코늄 메탈로센 중합 촉매의 반응 공간을 매핑하고 기본적인 운동 매개변수를 얻기 위한 효율적이고 빠른 실험을 수행했습니다.
실험 결과, 화학물질 폐기물은 두 자릿수나 줄어들었고 촉매 발견에 걸리는 시간도 몇 주에서 몇 시간으로 단축되었습니다.
3. 영국 리버풀 대학교: 모바일 로봇 화학자(2020)
전체 논문을 읽어보세요:
https://www.nature.com/articles/s41586-020-2442-2
연구자들은 물에서 수소를 생산하기 위한 더 나은 광촉매를 찾기 위해 모바일 로봇(모듈식, 유연하고 도구가 아니라 자체적으로 움직일 수 있는 로봇)을 개발했습니다.

로봇은 베이지안 탐색 알고리즘 시리즈로 구동되어 8일 이상 자율적으로 작동하면서 10개 변수의 공간에서 688개의 실험을 수행했습니다.
결과는 다음과 같습니다자체 개발한 광촉매 혼합물은 원래 제품보다 6배 더 활성적입니다.
다목적 최적화에 집중
다중 타겟 속성을 탐색하기 위해 머신 러닝 기반 실험 선택과 유체 화학을 통합한 자동화된 양자점 합성 로봇이 탄생했습니다. 하지만 전체 과정은 유체 속에서 진행됩니다.이로 인해 보다 복잡한 제형-처리-성능 관계를 포괄하지 못하는 경우도 있습니다.
동시에 각 실험은 비용이 많이 들고 시간이 많이 걸리며, 재료 공급도 비교적 제한적입니다.대량의 데이터를 수집하는 것이 어려워집니다.또한, 많은 실제 응용 프로그램의 경우 일반적으로 여러 성능 기준을 충족해야 하므로 성능 공간을 탐색하는 데 복잡성이 증가하고 최적의 솔루션을 찾기 어렵게 됩니다.
이 경우에는,설계 공간 샘플링을 안내하는 다목적 최적화 방법은 실험 횟수를 효과적으로 줄일 수 있습니다.
1. 매사추세츠 공과대학교: 데이터 기반 다목적 최적화를 활용한 3D 프린팅 소재의 가속화된 발견
전체 논문을 읽어보세요:
https://www.science.org/doi/10.1126/sciadv.abf7435
연구자들은 기계 학습을 사용하여 최적의 기계적 특성 균형을 이루는 적층 제조 소재의 개발을 가속화합니다. 더 나은 성능을 가진 재료를 만들기 위해 주요 조리법을 조합하여 실험 설계를 자동으로 안내하는 다목적 최적화 알고리즘이 개발되었습니다.

시스템의 워크플로 다이어그램
( A ) 요리법 배포.
(B) 제형 혼합.
(C) 샘플 제작에 사용되는 3D 프린터.
(D) 자외선(UV) 경화 및 가열을 통한 샘플 후처리.
(E) 성능데이터 추출의 압축 테스트.
(F) 베이지안 최적화 알고리즘의 공식화 및 성능 평가, 제안된 새로운 공식을 테스트용으로 출력.
이 알고리즘을 반자율 제조 플랫폼과 결합하면 수행하는 실험 횟수와 문제를 해결하는 데 걸리는 전체 시간을 크게 줄일 수 있습니다. 주요 공식을 알지 못한 채,제안된 방법은 12개의 최적 공식을 스스로 개발하고 30번의 실험 반복 후 발견된 성능 공간을 288배 확장합니다.이러한 접근 방식은 다른 머티리얼 디자인 시스템에도 쉽게 일반화될 수 있고, 자동적인 머티리얼 검색이 가능할 것으로 기대됩니다.
실험 결과는 다음과 같습니다.실험의 반복 주기를 완료하는 데 걸리는 시간은 6797초(2시간 미만)에 불과합니다.샘플을 옮기는 단계만 수동으로 수행하면 되므로 3D 프린팅 소재의 개발 프로세스가 크게 가속화됩니다.
또 다른 블루오션 시장, 미소로 승자는 누가 될까?
알리바바 클라우드의 "2021년 3D 프린팅 산업 발전 연구 보고서"에 따르면, 최근 몇 년 동안 3D 프린팅이 국제 사회에서 폭넓은 관심을 받고 있습니다. 예를 들어 미국을 살펴보겠습니다. 중국은 3D 프린팅 기술에 많은 인력, 재료, 재정 자원을 투자하고, 더욱 풍부한 프린팅 재료를 개발했으며, 이 기술을 점차 성숙시켰습니다. 현재 3D 프린팅은 미국에서 가장 빠르게 성장하는 산업 중 하나가 되었습니다.
이와 대조적으로 중국은 소재 개발에 있어 뒤처졌지만, 이 나라의 집중력으로 인해 3D 프린팅 산업의 시장 잠재력은 의심할 여지 없이 엄청날 것입니다. 일부 업계 기관은 2025년 중국 3D 프린팅 시장이 635억 위안으로 성장할 것으로 예상하고 있으며, 그중 3D 프린팅 소재가 약 1/3을 차지할 것으로 예상하고 있으며, 시장 규모는 수백억 위안에 달할 것으로 전망하고 있습니다. 3D 프린팅 산업은 새로운 산업 변혁을 이끄는 핵심 기술 중 하나가 되었다고 추론할 수 있습니다. 산업의 중류, 상류 부문에서 3D 프린팅 소재의 중요성은 자명합니다.
이제 이 거대한 푸른 바다에서기계 학습강력한 예측 성능을 통해 3D 프린팅 산업의 발전을 가속화하고 있습니다. 따라서 많은 기업에게는 누가 먼저 기회를 잡아서 이길 수 있느냐가 중요한 의미를 갖는다.변화의 정점에 성공적으로 서게 될 것입니다.