A crescente popularidade da impressão 3D para a fabricação de todos os tipos de itens, de dispositivos médicos personalizados a casas acessíveis, criou mais demanda por novos materiais de impressão 3D projetados para usos muito específicos.
Para reduzir o tempo necessário para descobrir esses novos materiais, os pesquisadores do MIT desenvolveram um processo baseado em dados que usa aprendizado de máquina para otimizar novos materiais de impressão 3D com múltiplas características, como tenacidade e resistência à compressão.
Ao agilizar o desenvolvimento de materiais, o sistema reduz custos e diminui o impacto ambiental, reduzindo a quantidade de resíduos químicos. O algoritmo de aprendizado de máquina também pode estimular a inovação, sugerindo formulações químicas exclusivas que a intuição humana pode perder.
“O desenvolvimento de materiais ainda é um processo muito manual. Um químico vai a um laboratório, mistura ingredientes à mão, faz amostras, testa-os e chega a uma formulação final. Mas, em vez de ter um químico que pode fazer apenas algumas iterações ao longo de alguns dias, nosso sistema pode fazer centenas de iterações no mesmo período “, diz Mike Foshey, engenheiro mecânico e gerente de projeto do Grupo de Design e Fabricação Computacional (CDFG) do Laboratório de Ciência da Computação e Inteligência Artificial (CSAIL ), e co-autor principal do artigo.
Autores adicionais incluem o co-autor principal Timothy Erps, um associado técnico em CDFG; Mina Konakovi? Lukovi?, pós-doutorado no CSAIL; Wan Shou, um ex-pós-doutorado do MIT que agora é professor assistente na Universidade de Arkansas; o autor sênior Wojciech Matusik, professor de engenharia elétrica e ciência da computação no MIT; e Hanns Hagen Geotzke, Herve Dietsch e Klaus Stoll da BASF. A pesquisa foi publicada hoje na Science Advances.
Otimizando a descoberta
No sistema que os pesquisadores desenvolveram, um algoritmo de otimização executa grande parte do processo de descoberta de tentativa e erro.
Um desenvolvedor de material seleciona alguns ingredientes, insere detalhes sobre suas composições químicas no algoritmo e define as propriedades mecânicas que o novo material deve ter. Em seguida, o algoritmo aumenta e diminui as quantidades desses componentes (como girar botões em um amplificador) e verifica como cada fórmula afeta as propriedades do material, antes de chegar à combinação ideal.
Em seguida, o desenvolvedor mistura, processa e testa essa amostra para descobrir como o material realmente funciona. O desenvolvedor relata os resultados ao algoritmo, que aprende automaticamente com o experimento e usa as novas informações para decidir sobre outra formulação a ser testada.
“Achamos que, para uma série de aplicações, isso superaria o método convencional porque você pode confiar mais fortemente no algoritmo de otimização para encontrar a solução ideal. Você não precisaria de um químico especialista para pré-selecionar as formulações de material”, Foshey diz.
Os pesquisadores criaram uma plataforma gratuita de otimização de materiais de código aberto chamada AutoOED, que incorpora o mesmo algoritmo de otimização. AutoOED é um pacote de software completo que também permite que os pesquisadores conduzam sua própria otimização.
Fazendo materiais
Os pesquisadores testaram o sistema usando-o para otimizar as formulações de uma nova tinta de impressão 3D que endurece quando exposta à luz ultravioleta.
Eles identificaram seis produtos químicos para usar nas formulações e estabeleceram o objetivo do algoritmo de descobrir o material de melhor desempenho com relação à tenacidade, módulo de compressão (rigidez) e resistência.
Maximizar essas três propriedades manualmente seria especialmente desafiador porque elas podem ser conflitantes; por exemplo, o material mais forte pode não ser o mais rígido. Usando um processo manual, um químico normalmente tentaria maximizar uma propriedade por vez, resultando em muitos experimentos e muito desperdício.
O algoritmo apresentou 12 materiais de alto desempenho que tiveram as compensações ideais das três propriedades diferentes após testar apenas 120 amostras.
Foshey e seus colaboradores ficaram surpresos com a grande variedade de materiais que o algoritmo foi capaz de gerar e dizem que os resultados foram muito mais variados do que esperavam com base nos seis ingredientes. O sistema incentiva a exploração, o que pode ser especialmente útil em situações em que as propriedades específicas do material não podem ser facilmente descobertas intuitivamente.
Mais rápido no futuro
O processo pode ser ainda mais acelerado com o uso de automação adicional. Os pesquisadores misturaram e testaram cada amostra manualmente, mas os robôs poderiam operar os sistemas de dosagem e mistura em versões futuras do sistema, diz Foshey.
Mais adiante, os pesquisadores também gostariam de testar esse processo de descoberta baseado em dados para usos além do desenvolvimento de novas tintas de impressão 3D.
“Isso tem amplas aplicações na ciência de materiais em geral. Por exemplo, se você quisesse projetar novos tipos de baterias com maior eficiência e menor custo, você poderia usar um sistema como este para fazer isso. Ou se você quisesse otimizar a pintura para um carro que tinha um bom desempenho e era ecologicamente correto, esse sistema também poderia fazer isso “, diz ele.
Publicado em 17/10/2021 17h31
Artigo original:
Estudo original: