圖片來源@視覺中國

3D 打印，也被稱為增材制造（Additive Manufacturing，AM），是目前人類制造業(yè)的前沿技術(shù)之一，有望使制造出以前難以制造的產(chǎn)品成為可能，在航空航天、建筑、汽車、牙科、食品、武器乃至人造器官等領(lǐng)域都擁有廣泛的應用前景。

盡管存在許多用于 3D 打印的材料，例如金屬材料、非金屬材料以及醫(yī)用生物材料等，但大多數(shù)材料都存在性能權(quán)衡問題，因為很多材料是用低效的、基于人類直覺的方法設計的，并非最佳材料解決方案。

近日，來自麻省理工學院計算機科學與人工智能實驗室（CSAIL）的科研團隊提出了一種機器學習方法，它能夠加速發(fā)現(xiàn)機械性能最佳的 3D 打印材料，相關(guān)研究論文以“Accelerated discovery of 3D printing materials using data-driven multiobjective optimization”為題，發(fā)表在科學期刊 Science Advances 上。

圖｜3D 打印設備（來源：維基百科）

在沒有主要配方的先驗知識的情況下，論文所提出的方法僅在 30 次實驗迭代后就自動揭示了 12 種最佳配方，并將發(fā)現(xiàn)的性能空間擴大了 288 倍，這種方法有望推廣到其他材料設計系統(tǒng)，實現(xiàn)最佳材料的自動發(fā)現(xiàn)。

尋找最佳復合配方

近年來，玻璃、電池、高溫陶瓷和人造器官等已成功實現(xiàn)了 3D 打印，在各種聚合物打印方法中，立體光刻和材料噴射 3D 打印顯示出了很好的應用前景，如機器人組件、假肢、生物支架和定制商品等（如鞋類、衣物、建筑、模型等）。

然而，新 3D 打印材料的開發(fā)目前依賴于聚合物化學領(lǐng)域知識和廣泛的試驗才能發(fā)現(xiàn)，這限制了材料開發(fā)的效率和可擴展性。且當下 3D 打印材料普遍一次使用一個性能因素進行設計和優(yōu)化，這種方法通常需要測試過多的樣本，產(chǎn)生大量浪費和不良的環(huán)境影響，卻并不能找到最佳解決方案。

因此，3D 打印技術(shù)想要更加普及，加速開發(fā)具有最佳性能的材料至關(guān)重要。

而且，為了應對未來生物工程和航空航天工程等不同應用領(lǐng)域的技術(shù)挑戰(zhàn)，3D 打印還需要能針對特定應用優(yōu)化材料性能。

在論文中，研究人員提出了一種半自動化的數(shù)據(jù)驅(qū)動工作流程，尋找用于 3D 打印技術(shù)的新型光固化油墨，展現(xiàn)出了成本效益和效率，該工作流程的目的是尋找一組最佳復合配方，在實驗中，材料方案由六種主要的光固化油墨配方組成，以改善機械性能，使其超過手動設計的主要配方性能水平，這些復合配方可自動針對多個性能目標進行優(yōu)化，只需進行有限的實驗。

圖｜加速材料發(fā)現(xiàn)系統(tǒng)的工作流程示意圖（來源：Science Advances）

工作流程如上圖所示，首先研究人員根據(jù)需要按特定比例分配初級配方（圖 A），然后將其徹底混合（圖 B）以制備復合配方，接下來，將每個復合配方轉(zhuǎn)移到噴射閥 3D 打印機中進行樣品制備（圖 C），然后進行后處理（圖 D）以完成樣品制備。最后，通過對樣品進行測試，以提取其多個定量機械性能參數(shù)（即韌性、壓縮模量和最大壓縮模量、抗壓強度）（圖 E）。

為了最大限度地減少測試不同配方所需的資源，并快速找到更好的性能設計，研究人員使用了基于貝葉斯優(yōu)化的數(shù)據(jù)驅(qū)動方法（圖 F）。

整個決策過程中的一個關(guān)鍵洞見，在于平衡利用最有前途的公式和探索設計空間的不確定區(qū)域。實驗結(jié)果展示了快速的性能空間改進和 12 種 3D 打印材料的發(fā)現(xiàn)，僅在 30 次算法迭代后就實現(xiàn)了最佳的融合方案，該方法還能很容易地推廣到其他配方設計問題，如堅韌水凝膠、外科密封劑或納米復合涂層的優(yōu)化中。

性能空間體積增加 288 倍

具體而言，關(guān)于基本成分和材料配方，研究人員首先生成了一組相互兼容的光固化初級配方，以混合并具有不同的機械性能，當然，他們并不是從頭開始開發(fā)打印材料，而是首先確定了八種商用配方成分（包含一種光引發(fā)劑、三種稀釋劑和四種低聚物），然后，六種主要配方（A 至 F）由庫中的八種主要成分組成。

為確保配方成分的所有可能組合均可 3D 打印，且在可打印粘度范圍內(nèi)，研究人員還添加了表面活性劑以調(diào)整材料表面張力，增加與打印機的兼容性。

圖｜系統(tǒng)中使用的主要配方以及主要配方性能，涵蓋廣泛的機械性能（來源：Science Advances）

之后，研究人員使用基于噴射閥分配技術(shù)的 3D 打印進行實驗，與其他類型的 3D 打印技術(shù)相比，噴射閥能夠分配具有多種流體特性的墨水材質(zhì)，且需要較少的工藝參數(shù)調(diào)整就能實現(xiàn)可靠的打印過程，這些特性增加了可測試的材質(zhì)種類，可減少樣品制作和數(shù)據(jù)收集的時間。

最后，為了從每個配方中提取性能數(shù)據(jù)，研究人員使用通用測試儀對 3D 打印和后處理的樣品進行壓縮測試。

論文中提出優(yōu)化算法的目標是在主要配方 A 到 F 的 6D 設計空間中導航，并快速發(fā)現(xiàn)關(guān)于三個目標的最佳性能設計：韌性、壓縮模量和最大強度。之所以選擇這些性能指標，是因為這些特征是工程應用中重要機械性能，通常，這三種材料特性都需要最大化。

然而，這些目標往往相互沖突，因此沒有單一的最優(yōu)解決方案，而是一組具有不同權(quán)衡的最佳性能設計。論文中提出的機器學習方法通過學習預測未測試樣本的性能，并指導設計空間的采樣，以快速找到性能更好的設計。

圖｜概述用于尋找最佳 3D 打印材料配方的優(yōu)化算法（來源：Science Advances）

為了測試實驗中提議的材料開發(fā)工作流程，研究人員總共進行了 30 次算法迭代，因為除了初始數(shù)據(jù)集外，預算固定為 120 個樣本。在每個算法迭代中，為了減少時間，并行測試了四個樣本，在優(yōu)化過程中總共測試了 120 個樣本，在測試了總共 150 個樣品（30 個初始樣品和 120 個算法提出的樣品）后，系統(tǒng)最終確定了一組 12 種配方，它們在壓縮模量、最大壓縮強度和韌性三個機械性能方面具有最佳權(quán)衡。

經(jīng)過迭代的算法鼓勵探索性能空間的未知區(qū)域，并發(fā)現(xiàn)性能變化較大的材料。

當監(jiān)測主要配方和所有評估樣品的抗壓強度和抗壓模量性能時，性能空間將擴大 250%；抗壓強度和韌性增大較大，提高了 399%；在壓縮模量和韌性方面，性能空間提高了 584%。凸面外殼是所有測試樣品內(nèi)封閉的性能空間體積的度量，比最初五種主要配方的性能空間體積增加了 288 倍，這些改進對于需要特定屬性范圍，且無法輕易手動找到的應用程序可能很重要。

在實驗中，研究人員還發(fā)現(xiàn)優(yōu)化產(chǎn)生的數(shù)據(jù)集，可提供有關(guān)化學成分對材料最終機械性能影響的有趣結(jié)果，例如聚氨酯二甲基丙烯酸酯（UDMA）是基礎混合物F中的主要成分，被認為對高模量材料有很大貢獻，這種貢獻可能是由于其高轉(zhuǎn)化率和形成氫鍵的趨勢。

此外，研究人員也看到了算法優(yōu)化引擎傾向于最小化六官能團脂肪族聚氨酯丙烯酸酯（一種傾向于易碎印刷品的高度交聯(lián)試劑）的貢獻。

通過使用聚氨酯改性丙烯酸酯低聚物（含量為 24% 至 37%）、脂肪族聚氨酯二丙烯酸酯（含量高達 26%）和 UDMA（含量高達 40%）的配方，可獲得高韌性性能，高韌性配方還含有稀釋劑丙烯酸酰胺和丙烯酸酯，其范圍分別為 14% 至 18% 和 1% 至 19%。而最高性能的抗壓強度復合配方包括低聚物、34% 的聚氨酯改性丙烯酸酯、26%的脂肪族聚氨酯二丙烯酸酯和 6% 的 UDMA，它們還包括稀釋劑、15% 的丙烯酰胺和 19% 的丙烯酸酯。

提供了一個新的研究基礎

研究人員總結(jié)，本文提出的方法為改善混合聚合物系統(tǒng)的性能特性提供了一種自動準備“管道”，從混合到樣品加工，過程的每一步都可以完全自動化，這為自動化工藝提供了一個模板，該模板可通過改變實驗中使用的基材來適應各種優(yōu)化需求，如涂層或成型。

不過，本項研究也存在些許局限性。例如在定義設計空間時，基本成分僅限于選擇了已知的可打印的墨水或材質(zhì)，這雖然提高了實驗效率，但可能會遺漏一些位于基礎油墨材質(zhì)組合之外的創(chuàng)新組合。而選擇噴射閥分配作為印刷工藝允許考慮大范圍的材料，不過，這也一定程度阻止了將結(jié)果直接應用于商業(yè)印刷工藝。

值得肯定的是，這種科研思路還是打開了一扇新大門，論文描述的材料發(fā)現(xiàn)系統(tǒng)為優(yōu)化3D打印的光聚合物配方提供了全新方法，使用該系統(tǒng)，業(yè)界可以找到一套3D打印材料全新配方，在壓縮模量、壓縮強度和韌性等機械性能方面進行最佳權(quán)衡，這為材料工程師和聚合物化學家尋找和優(yōu)化各種性能目標和應用的材料配方奠定了基礎。

參考資料：
https://news.mit.edu/2021/accelerating-materials-3d-printing-1015
https://www.science.org/doi/10.1126/sciadv.abf7435