「3Dプリント新素材発見のプロセス加速」機械学習を応用したシステム

3Dプリント技術の新素材発見にかかる時間の短縮に向け、機械学習を利用したデータ駆動がプロセスが開発されたようです。
3Dプリントは手ごろな日用品から住宅まで、生活用品への普及の一途をたどっているようです。

To cut down on the time it takes to discover these new materials, researchers at MIT have developed a data-driven process that uses machine learning to optimize new 3D printing materials with multiple characteristics, like toughness and compression strength.

参照元：https://news.mit.edu/2021/accelerating-materials-3d-printing-1015
– マサチューセッツ工科大学 Massachusetts Institute of Technology. October 15, 2021 –

カスタマイズされた医療機器から手頃な価格の住宅まで、あらゆるアイテムの製造に3Dプリントが普及するにつれ、非常に特殊な用途に合わせて設計された新しい3Dプリント材料への需要が高まっています。

MITの研究者たちは、このような新素材の発見にかかる時間を短縮するために、機械学習を利用して、靭性や圧縮強度などの複数の特性を持つ新しい3Dプリント素材を最適化するデータ駆動型のプロセスを開発しました。

材料開発を効率化することで、コストを下げ、化学物質の廃棄量を減らすことで環境への影響を軽減することができます。

また、機械学習アルゴリズムは、人間の直感では見逃してしまうようなユニークな化学物質の配合を提案することで、イノベーションを促進する可能性もあります。

コンピュータサイエンス・人工知能研究所（CSAIL）のCDFG（Computational Design and Fabrication Group）に所属する機械エンジニアでプロジェクトマネージャーのMike Foshey氏は話します。

「材料開発は、いまだに多くの人が手作業で行っています。化学者が研究室に入り、手で材料を混ぜ、サンプルを作り、テストをして、最終的な処方を決定します。しかし、化学者が数日かけて数回の反復作業を行うのではなく、我々のシステムは同じ時間帯に数百回の反復作業を行うことができます。」

共同執筆者には、CDFGのテクニカルアソシエイトであるTimothy Erps氏、CSAILのMina Konaković氏 Luković氏, CSAILのポスドクであるMina Konakovićの 本研究成果は、Science Advances誌に掲載されました。

発見の最適化

研究者たちが開発したシステムでは、最適化アルゴリズムが、試行錯誤的な発見のプロセスの大半を担っています。

材料開発者は、いくつかの材料を選び、その化学組成の詳細をアルゴリズムに入力し、新しい材料が持つべき機械的特性を定義します。

アルゴリズムは、アンプのツマミを回すように成分の量を増減させ、それぞれの配合が素材の特性にどのような影響を与えるかを確認し、理想的な組み合わせを導き出していきます。

そして、そのサンプルを開発者が混ぜ合わせ、加工し、テストすることで、実際の素材の性能を確認します。

開発者は、その結果をアルゴリズムに報告します。アルゴリズムは、実験の結果を自動的に学習し、新たな情報をもとに別の処方を決定します。

Foshey氏は話します。

「最適化アルゴリズムに大きく依存して最適なソリューションを見つけることができるので、多くのアプリケーションで従来の方法よりも優れていると考えています。なぜなら、最適化アルゴリズムに大きく依存して最適なソリューションを見つけることができるからです。また、材料の配合を事前に選択するために、専門の化学者を必要としません。」

研究者たちは、同じ最適化アルゴリズムを搭載したAutoOEDという無料のオープンソースの材料最適化プラットフォームを作成しました。

AutoOEDは完全なソフトウェアパッケージであり、研究者が独自に最適化を行うことも可能です。

材料を作る

研究者たちは、このシステムを使って、紫外線を当てると硬化する新しい3Dプリント用インクの処方を最適化しました。

処方に使用する6種類の化学物質を特定し、アルゴリズムの目的を、靭性、圧縮弾性率（剛性）、強度の点で最高の性能を持つ材料を発見することに設定しました。

この3つの特性は相反する可能性があるため、手動で最大化することは非常に困難です。

例えば、最も強い素材が最も硬い素材とは限らないのです。

手作業では、化学者は通常、一度に1つの特性を最大化しようとし、多くの実験と多くの無駄が発生します。

このアルゴリズムでは、わずか120のサンプルをテストしただけで、3つの異なる特性の最適なトレードオフを持つ12のトップパフォーマンスの材料を導き出しました。

Foshey氏と共同研究者は、アルゴリズムが生成した材料の種類の多さに驚き、6つの成分から予想していたよりもはるかに多様な結果が得られたと述べています。

このシステムは、直感的に特定の材料特性を見つけられないような状況では、特に有用であると考えています。

未来に向けてより速く

このプロセスは、自動化をさらに進めることで、さらに高速化することができます。

研究者は手作業で各サンプルを混合してテストしましたが、将来的にはロボットが分注・混合システムを操作することも可能だとFoshey氏は言います。

さらに研究者たちは、このデータに基づく発見プロセスを、新しい3Dプリント用インクの開発以外の用途でも試してみたいと考えています。

Foshey氏は話します。

「これは、材料科学全般に幅広く応用できます。例えば、より高効率で低コストの新しいタイプのバッテリーを設計したいと思ったら、このようなシステムを使って実現できるでしょう。また、性能が良くて環境に優しい自動車用の塗料を最適化したい場合も、このシステムで実現できるでしょう。」

本研究は、BASF社の支援を受けています。