圖片來源@視覺中國

3D 打印，也被稱為(wei) 增材製造（Additive Manufacturing，AM），是目前人類製造業(ye) 的前沿技術之一，有望使製造出以前難以製造的產(chan) 品成為(wei) 可能，在航空航天、建築、汽車、牙科、食品、武器乃至人造器官等領域都擁有廣泛的應用前景。

盡管存在許多用於(yu) 3D 打印的材料，例如金屬材料、非金屬材料以及醫用生物材料等，但大多數材料都存在性能權衡問題，因為(wei) 很多材料是用低效的、基於(yu) 人類直覺的方法設計的，並非最佳材料解決(jue) 方案。

近日，來自麻省理工學院計算機科學與(yu) 人工智能實驗室（CSAIL）的科研團隊提出了一種機器學習(xi) 方法，它能夠加速發現機械性能最佳的 3D 打印材料，相關(guan) 研究論文以“Accelerated discovery of 3D printing materials using data-driven multiobjective optimization”為(wei) 題，發表在科學期刊 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(jin) 在 30 次實驗迭代後就自動揭示了 12 種最佳配方，並將發現的性能空間擴大了 288 倍，這種方法有望推廣到其他材料設計係統，實現最佳材料的自動發現。

尋找最佳複合配方

近年來，玻璃、電池、高溫陶瓷和人造器官等已成功實現了 3D 打印，在各種聚合物打印方法中，立體(ti) 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、生物支架和定製商品等（如鞋類、衣物、建築、模型等）。

然而，新 3D 打印材料的開發目前依賴於(yu) 聚合物化學領域知識和廣泛的試驗才能發現，這限製了材料開發的效率和可擴展性。且當下 3D 打印材料普遍一次使用一個(ge) 性能因素進行設計和優(you) 化，這種方法通常需要測試過多的樣本，產(chan) 生大量浪費和不良的環境影響，卻並不能找到最佳解決(jue) 方案。

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

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

在論文中，研究人員提出了一種半自動化的數據驅動工作流程，尋找用於(yu) 3D 打印技術的新型光固化油墨，展現出了成本效益和效率，該工作流程的目的是尋找一組最佳複合配方，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，這些複合配方可自動針對多個(ge) 性能目標進行優(you) 化，隻需進行有限的實驗。

圖｜加速材料發現係統的工作流程示意圖（來源：Science Advances）

工作流程如上圖所示，首先研究人員根據需要按特定比例分配初級配方（圖 A），然後將其徹底混合（圖 B）以製備複合配方，接下來，將每個(ge) 複合配方轉移到噴射閥 3D 打印機中進行樣品製備（圖 C），然後進行後處理（圖 D）以完成樣品製備。最後，通過對樣品進行測試，以提取其多個(ge) 定量機械性能參數（即韌性、壓縮模量和最大壓縮模量、抗壓強度）（圖 E）。

為(wei) 了最大限度地減少測試不同配方所需的資源，並快速找到更好的性能設計，研究人員使用了基於(yu) 貝葉斯優(you) 化的數據驅動方法（圖 F）。

整個(ge) 決(jue) 策過程中的一個(ge) 關(guan) 鍵洞見，在於(yu) 平衡利用最有前途的公式和探索設計空間的不確定區域。實驗結果展示了快速的性能空間改進和 12 種 3D 打印材料的發現，僅(jin) 在 30 次算法迭代後就實現了最佳的融合方案，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、外科密封劑或納米複合塗層的優(you) 化中。

性能空間體積增加 288 倍

具體(ti) 而言，關(guan) 於(yu) 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，以混合並具有不同的機械性能，當然，他們(men) 並不是從(cong) 頭開始開發打印材料，而是首先確定了八種商用配方成分（包含一種光引發劑、三種稀釋劑和四種低聚物），然後，六種主要配方（A 至 F）由庫中的八種主要成分組成。

為(wei) 確保配方成分的所有可能組合均可 3D 打印，且在可打印粘度範圍內(nei) ，研究人員還添加了表麵活性劑以調整材料表麵張力，增加與(yu) 打印機的兼容性。

圖｜係統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）

之後，研究人員使用基於(yu) 噴射閥分配技術的 3D 打印進行實驗，與(yu) 其他類型的 3D 打印技術相比，噴射閥能夠分配具有多種流體(ti) 特性的墨水材質，且需要較少的工藝參數調整就能實現可靠的打印過程，這些特性增加了可測試的材質種類，可減少樣品製作和數據收集的時間。

最後，為(wei) 了從(cong) 每個(ge) 配方中提取性能數據，研究人員使用通用測試儀(yi) 對 3D 打印和後處理的樣品進行壓縮測試。

論文中提出優(you) 化算法的目標是在主要配方 A 到 F 的 6D 設計空間中導航，並快速發現關(guan) 於(yu) 三個(ge) 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(wei) 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，這些目標往往相互衝(chong) 突，因此沒有單一的最優(you) 解決(jue) 方案，而是一組具有不同權衡的最佳性能設計。論文中提出的機器學習(xi) 方法通過學習(xi) 預測未測試樣本的性能，並指導設計空間的采樣，以快速找到性能更好的設計。

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

為(wei) 了測試實驗中提議的材料開發工作流程，研究人員總共進行了 30 次算法迭代，因為(wei) 除了初始數據集外，預算固定為(wei) 120 個(ge) 樣本。在每個(ge) 算法迭代中，為(wei) 了減少時間，並行測試了四個(ge) 樣本，在優(you) 化過程中總共測試了 120 個(ge) 樣本，在測試了總共 150 個(ge) 樣品（30 個(ge) 初始樣品和 120 個(ge) 算法提出的樣品）後，係統最終確定了一組 12 種配方，它們(men) 在壓縮模量、最大壓縮強度和韌性三個(ge) 機械性能方麵具有最佳權衡。

經過迭代的算法鼓勵探索性能空間的未知區域，並發現性能變化較大的材料。

當監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麵，性能空間提高了 584%。凸麵外殼是所有測試樣品內(nei) 封閉的性能空間體(ti) 積的度量，比最初五種主要配方的性能空間體(ti) 積增加了 288 倍，這些改進對於(yu) 需要特定屬性範圍，且無法輕易手動找到的應用程序可能很重要。

在實驗中，研究人員還發現優(you) 化產(chan) 生的數據集，可提供有關(guan) 化學成分對材料最終機械性能影響的有趣結果，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(wei) 對高模量材料有很大貢獻，這種貢獻可能是由於(yu) 其高轉化率和形成氫鍵的趨勢。

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

通過使用聚氨酯改性丙烯酸酯低聚物（含量為(wei) 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，其範圍分別為(wei) 14% 至 18% 和 1% 至 19%。而最高性能的抗壓強度複合配方包括低聚物、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(men) 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，本文提出的方法為(wei) 改善混合聚合物係統的性能特性提供了一種自動準備“管道”，從(cong) 混合到樣品加工，過程的每一步都可以完全自動化，這為(wei) 自動化工藝提供了一個(ge) 模板，該模板可通過改變實驗中使用的基材來適應各種優(you) 化需求，如塗層或成型。

不過，本項研究也存在些許局限性。例如在定義(yi) 設計空間時，基本成分僅(jin) 限於(yu) 選擇了已知的可打印的墨水或材質，這雖然提高了實驗效率，但可能會(hui) 遺漏一些位於(yu) 基礎油墨材質組合之外的創新組合。而選擇噴射閥分配作為(wei) 印刷工藝允許考慮大範圍的材料，不過，這也一定程度阻止了將結果直接應用於(yu) 商業(ye) 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，論文描述的材料發現係統為(wei) 優(you) 化3D打印的光聚合物配方提供了全新方法，使用該係統，業(ye) 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麵進行最佳權衡，這為(wei) 材料工程師和聚合物化學家尋找和優(you) 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