19.10.2021 - Massachusetts Institute of Technology

Acelerar el descubrimiento de nuevos materiales para la impresión 3D

Un nuevo sistema de aprendizaje automático cuesta menos, genera menos residuos y puede ser más innovador que los métodos de descubrimiento manual

La creciente popularidad de la impresión 3D para la fabricación de todo tipo de artículos, desde dispositivos médicos personalizados hasta viviendas asequibles, ha creado una mayor demanda de nuevos materiales de impresión 3D diseñados para usos muy específicos.

Para reducir el tiempo necesario para descubrir estos nuevos materiales, los investigadores del MIT han desarrollado un proceso basado en datos que utiliza el aprendizaje automático para optimizar nuevos materiales de impresión 3D con múltiples características, como la dureza y la resistencia a la compresión.

Al agilizar el desarrollo de los materiales, el sistema reduce los costes y disminuye el impacto medioambiental al reducir la cantidad de residuos químicos. El algoritmo de aprendizaje automático también podría estimular la innovación al sugerir formulaciones químicas únicas que la intuición humana podría pasar por alto.

"El desarrollo de materiales sigue siendo un proceso muy manual. Un químico entra en un laboratorio, mezcla ingredientes a mano, hace muestras, las prueba y llega a una formulación final. Pero en lugar de tener un químico que sólo puede hacer un par de iteraciones en un lapso de días, nuestro sistema puede hacer cientos de iteraciones en el mismo lapso de tiempo", dice Mike Foshey, ingeniero mecánico y director de proyectos en el Grupo de Diseño y Fabricación Computacional (CDFG) del Laboratorio de Ciencias de la Computación e Inteligencia Artificial (CSAIL), y coautor del artículo.

Optimización del descubrimiento

En el sistema desarrollado por los investigadores, un algoritmo de optimización realiza gran parte del proceso de descubrimiento por ensayo y error.

Un desarrollador de materiales selecciona algunos ingredientes, introduce en el algoritmo detalles sobre su composición química y define las propiedades mecánicas que debe tener el nuevo material. A continuación, el algoritmo aumenta y disminuye las cantidades de esos componentes (como si se giraran los mandos de un amplificador) y comprueba cómo afecta cada fórmula a las propiedades del material, antes de llegar a la combinación ideal.

A continuación, el desarrollador mezcla, procesa y prueba esa muestra para averiguar el rendimiento real del material. El desarrollador informa de los resultados al algoritmo, que aprende automáticamente del experimento y utiliza la nueva información para decidir qué otra fórmula probar.

"Creemos que, para una serie de aplicaciones, esto superaría al método convencional porque se puede confiar más en el algoritmo de optimización para encontrar la solución óptima. No se necesitaría un químico experto para preseleccionar las fórmulas de los materiales", afirma Foshey.

Los investigadores han creado una plataforma de optimización de materiales gratuita y de código abierto llamada AutoOED que incorpora el mismo algoritmo de optimización. AutoOED es un paquete de software completo que también permite a los investigadores realizar su propia optimización.

Fabricación de materiales

Los investigadores probaron el sistema utilizándolo para optimizar las fórmulas de una nueva tinta de impresión 3D que se endurece cuando se expone a la luz ultravioleta.

Identificaron seis sustancias químicas para utilizar en las fórmulas y establecieron el objetivo del algoritmo para descubrir el material de mejor rendimiento con respecto a la tenacidad, el módulo de compresión (rigidez) y la resistencia.

Maximizar estas tres propiedades manualmente sería especialmente difícil porque pueden ser contradictorias; por ejemplo, el material más resistente puede no ser el más rígido. Con un proceso manual, un químico suele intentar maximizar una propiedad cada vez, lo que da lugar a muchos experimentos y a una gran cantidad de residuos.

El algoritmo dio con los 12 materiales de mayor rendimiento que presentaban un equilibrio óptimo de las tres propiedades diferentes tras probar sólo 120 muestras.

Foshey y sus colaboradores se sorprendieron de la gran variedad de materiales que el algoritmo fue capaz de generar, y dicen que los resultados fueron mucho más variados de lo que esperaban basándose en los seis ingredientes. El sistema fomenta la exploración, lo que podría ser especialmente útil en situaciones en las que las propiedades específicas de los materiales no pueden descubrirse fácilmente de forma intuitiva.

Más rápido en el futuro

El proceso podría acelerarse aún más mediante el uso de automatización adicional. Los investigadores mezclaron y probaron cada muestra a mano, pero los robots podrían operar los sistemas de dispensación y mezcla en futuras versiones del sistema, dice Foshey.

Más adelante, los investigadores también querrían probar este proceso de descubrimiento basado en datos para usos que vayan más allá del desarrollo de nuevas tintas de impresión 3D.

"Esto tiene amplias aplicaciones en la ciencia de los materiales en general. Por ejemplo, si se quisiera diseñar nuevos tipos de baterías de mayor eficiencia y menor coste, se podría utilizar un sistema como éste para hacerlo. O si se quisiera optimizar la pintura de un coche para que tuviera un buen rendimiento y fuera respetuosa con el medio ambiente, este sistema también podría hacerlo", afirma.

Nota: Este artículo ha sido traducido utilizando un sistema informático sin intervención humana. LUMITOS ofrece estas traducciones automáticas para presentar una gama más amplia de noticias de actualidad. Como este artículo ha sido traducido con traducción automática, es posible que contenga errores de vocabulario, sintaxis o gramática. El artículo original en Inglés se puede encontrar aquí.

Massachusetts Institute of Technology

Recommiende artículo PDF / Imprimir artículo

Compartir

Hechos, antecedentes, expedientes
  • robots
  • ingeniería medical
Más sobre MIT