麻省理工學院 CSAIL 使用 AI 和 3D 打印開發(fā)微結構復合材料

2024年2月8日，麻省理工學院 CSAIL 的研究團隊在材料設計領域顛覆了傳統(tǒng)的試錯方法，通過新型的計算設計方法創(chuàng)造出具有優(yōu)異性能的材料�？茖W家們的新系統(tǒng)集成了物理實驗、基于物理的模擬和神經網絡，以解決理論模型和實際結果之間經常出現的差異。該研究最引人注目的成果之一是發(fā)現了微結構復合材料（用于從汽車到飛機的各種領域），這種復合材料更堅韌、更耐用，并且具有剛度和韌性的最佳平衡。

相關研究以題為“Computational Discovery of Microstructured Composites with Optimal Stiffness-Toughness Trade-Offs”論文發(fā)表在本月早些時候的《科學進展》上。論文主要作者為來自麻省理工學院 CSAIL的Li，其他作者包括浦項科技大學副教授Tae-Hyun Oh和麻省理工學院計算機科學與人工智能實驗室成員鄧博磊（現任喬治亞理工助理教授）、壽婉（現任阿肯色大學助理教授）、胡遠明（2018年碩士，2021年博士）、羅一悅（2020年碩士）和石亮。該團隊的研究部分得到了巴登苯胺和蘇打廠（BASF）的支持。他們的論文本月早些時候發(fā)表在《科學進展》雜志上。

論文鏈接：https://www.voxelmatters.com/wp-content/uploads/2024/02/CSAIL-Microstructures-1.24.pdf

負責該項目的首席研究員表示：“復合材料設計和制造是工程的基礎。我們的工作的影響有望遠遠超出固體力學領域。我們的方法為計算設計提供了藍圖，可以適用于高分子化學、流體動力學、氣象學甚至機器人學等不同領域。”

這項研究的重點是尋找兩種關鍵材料特性（剛度和韌性）之間的平衡。該方法涉及兩種類型基材的大型設計空間（一種是硬脆的，另一種是軟且延展的），以探索各種空間排列以發(fā)現最佳的微觀結構。

研究人員方法的一個關鍵創(chuàng)新是使用神經網絡作為模擬的替代模型，從而減少材料設計所需的時間和資源。來自麻省理工學院 CSAIL的研究人員Li表示：“這種由神經網絡加速的進化算法指導我們的探索，使我們能夠有效地找到性能最好的樣本�！�

神奇的微觀結構

麻省理工學院 CSAIL 團隊首先制作 3D 打印光聚合物，其大小與智能手機差不多，但更纖薄，并在每個光聚合物上添加一個小凹口和三角形切口。經過專門的紫外線處理后，使用標準測試機 Instron 5984 對樣品進行評估，進行拉伸測試以測量強度和柔韌性。

同時，這項研究將物理試驗與復雜的模擬相結合。使用高性能計算框架，團隊可以在創(chuàng)建材料之前預測和完善材料特性。據研究團隊稱，項目最大的突破在于將不同材料在微觀尺度上進行結合的技術，這種方法涉及融合剛性和柔韌物質的微小液滴的復雜圖案，并在強度和靈活性之間取得適當的平衡。模擬結果與物理測試結果非常接近，驗證了整體的有效性。

最重要的是“神經網絡加速多目標優(yōu)化”（NMO）算法——用于導航微觀結構的復雜設計景觀——揭示了表現出接近最佳機械屬性的配置。該工作流程就像一個自我糾正機制，不斷完善預測以更接近現實。

然而，Li 強調了保持 3D 打印一致性以及將神經網絡預測、模擬和現實世界實驗集成到高效管道中的困難。麻省理工學院 CSAIL 團隊致力于提高該流程的可用性和可擴展性。Li預見了實驗室完全自動化的未來，最大限度地減少人工監(jiān)督并最大限度地提高效率：“我們的目標是看到從制造到測試和計算的一切都在集成實驗室設置中實現自動化。”