本文將聚焦 3D 打印材料開發(fā)，用四個具體案例對目前先進方法進行解讀，以期讓讀者從整體上對機器學習在材料開發(fā)應用方面有認知和把握。

本文首發(fā)自 HyperAI超神經(jīng)微信公眾號~

以 AlphaFold 為代表，機器學習在生物制藥、蛋白質(zhì)結(jié)構(gòu)預測等領(lǐng)域，已經(jīng)有了喜人的研究成果，尤其是幾何深度學習 (Geometric deep learning) 在原子結(jié)構(gòu)建模方面取得的巨大進展，有望為計算材料科學中開放性問題提供解決思路。

但是，與藥物樣分子 (drug-like molecule) 和蛋白質(zhì)相比，材料建模也面臨兩個主要挑戰(zhàn)：

*?大部分材料沒有合適的表示方法。開發(fā)成功的機器學習模型，需要特定材料的歸納偏置 (inductive biase)，這要求輸入必須是具備一定格式或規(guī)律的，比如我們可以用 2D 圖結(jié)構(gòu)來表示分子，用序列表示蛋白質(zhì)，這在材料領(lǐng)域是無法實現(xiàn)的，加上大部分材料需要在周期性邊界條件 (periodic boundary conditions) 下進行表示，這給表征學習和生成模型都帶來了很大挑戰(zhàn)。

*?材料類別五花八門、多種多樣，如無機晶體、聚合物、催化表面、納米多孔材料等等，每種材料結(jié)構(gòu)的表示方法不同，都需要專屬 task/數(shù)據(jù)集。

尤其以 3D 打印材料的開發(fā)和性能優(yōu)化為例，更面臨著過度依賴專業(yè)知識、重復試驗、性能取舍等方面的制約。本文將圍繞該主題，分享當下前沿的科研成果和方法。

3D 打印+機器學習：成果亮眼

聚焦單目標優(yōu)化

1.波士頓大學：A Bayesian experimental autonomous researcher for mechanical design（2020）

閱讀完整論文：

https://www.science.org/doi/full/10.1126/sciadv.aaz1708

基于貝葉斯優(yōu)化的自動 3D 打印和測試平臺，可以加速高壓縮韌度 structure 的探索。結(jié)合貝葉斯優(yōu)化和高通量自主實驗，科研人員開發(fā)了一個貝葉斯實驗自動研究員( Bayesian experimental autonomous researcher，簡稱 BEAR )，除快速實驗外，BEAR 還基于所有可用結(jié)果對實驗進行迭代。

利用 BEAR，科研人員可以探索 structure 參數(shù)家族的韌度，同時使得識別高性能 structure 所需的實驗數(shù)量，與基于網(wǎng)格的搜索相比減少了近 60 倍。這些結(jié)果顯示了機器學習在數(shù)據(jù)稀少的實驗領(lǐng)域的價值。

2. 紐約大學：Combining automated microfluidic experimentation with machine learning for efficient polymerization design（2020）

閱讀完整論文：

https://www.nature.com/articles/s42256-020-0166-5

科研人員開發(fā)了一個微流控反應器 (microfluidic reactor)，用于篩選鋯茂（zirconocene，一種化合物）催化劑，并結(jié)合拉丁超立方算法，提高催化劑的開發(fā)效率。

在實驗過程中，科研人員提出了一個用機器學習輔助自動顯微化學反應器 (machine-learning-assisted automated microchemical reactors) 研究聚合反應的方法論，采用自行設(shè)計的微反應器原型，結(jié)合自動化和原位紅外熱成像技術(shù)，進行了高效、迅速的實驗，繪制鋯茂金屬聚合催化劑的反應空間，獲得基本動力學參數(shù)。

實驗使得化學廢物減少了兩個數(shù)量級，催化劑的發(fā)現(xiàn)從數(shù)周減少到數(shù)小時。

3. 英國利物浦大學：A mobile robotic chemist（2020）

閱讀完整論文：

https://www.nature.com/articles/s41586-020-2442-2

科研人員開發(fā)了一個移動機器人（模塊化、靈活、可自行移動，而非儀器）尋找更優(yōu)的水中制氫光催化劑。

該機器人自主運行超過 8 天，由一系列貝葉斯搜索算法驅(qū)動，在具有 10 個變量的空間內(nèi)，進行了 688 次實驗。

結(jié)果表明，這種自主探索得出的光催化劑混合物的活性，比最初的配方高 6 倍。

聚焦多目標優(yōu)化

自動量子點合成機器人誕生，整合了一個基于機器學習的實驗選擇和流體化學來探索多目標性能。然而，整個過程是在流體中進行的，這也導致一定程度上無法涵蓋某些更復雜的配方-加工-性能關(guān)系。

同時，每次實驗的成本和耗時都很高，材料供應比較有限，因此，收集大量的數(shù)據(jù)成為困難。此外，對于許多現(xiàn)實中的應用，通常要滿足多個性能標準，而這也增加性能空間探索的復雜性，很難找到最優(yōu)解。

這種情況下，指導設(shè)計空間采樣的多目標優(yōu)化方法則可以有效減少實驗次數(shù)。

1. 麻省理工學院：Accelerated discovery of 3D printing materials using data-driven multiobjective optimization

閱讀完整論文：

https://www.science.org/doi/10.1126/sciadv.abf7435

科研人員利用機器學習加速具有最佳機械性能制約 (trade-off) 的增材制造 (additive manufacturing) 材料的開發(fā)。同時開發(fā)了一個多目標優(yōu)化算法，通過提出混合主要配方創(chuàng)造性能更佳的材料，從而自動指導實驗設(shè)計。

( A )配方分配。

( B )配方混合。

( C )用于樣品制造的 3D 打印機。

( D )樣品后處理與紫外線(UV)固化和加熱。

( E )性能數(shù)據(jù)提取的壓縮試驗。

( F )貝葉斯優(yōu)化算法的配方和性能評估，輸出建議的新配方測試。

該算法與一個半自主制造平臺相結(jié)合，可大大減少執(zhí)行實驗的數(shù)量和解決問題的總時間。在不了解主要配方的情況下，所提出的方法自行開發(fā)了 12 種最佳配方，并在 30 次實驗迭代后將發(fā)現(xiàn)的性能空間擴大了 288 倍。這種方法有望輕松地推廣到其他材料設(shè)計系統(tǒng)并實現(xiàn)材料的自動發(fā)現(xiàn)。

實驗結(jié)果表明，完成一個迭代周期的實驗只需要 6797 秒（不到 2h），只有轉(zhuǎn)運樣品的步驟需要人工完成，極大加速了 3D 打印材料的開發(fā)流程。

又一片市場藍海，誰能笑著勝出？

阿里云《2021 年 3D 打印行業(yè)發(fā)展研究報告》中顯示，近年來，3D 打印受到國際社會的廣泛關(guān)注。以美國為例，其在 3D 打印技術(shù)上投入大量的人力、物力和財力，研發(fā)出更為豐富的打印材料，促使這一技術(shù)日趨成熟。目前 3D 打印也已成為美國增長最快的工業(yè)之一。

與此相對，國內(nèi)在材料開發(fā)方面起步較晚，但隨著國家的重點關(guān)注，3D 打印行業(yè)市場潛力無疑巨大。有行業(yè)機構(gòu)預測，2025 年中國 3D 打印市場有望增長至 635 億元，其中 3D 打印材料約占三分之一，市場規(guī)模將達數(shù)百億。可以推斷，3D 打印行業(yè)已成為引領(lǐng)新一輪產(chǎn)業(yè)變革的核心技術(shù)之一，而?3D 打印材料作為其中的中上游，重要性不言而喻。

如今來看，在這片巨大的藍海中，機器學習正憑借其強大的預測性能，加速驅(qū)動 3D 打印行業(yè)的發(fā)展。因此，對于眾多企業(yè)而言，誰能搶先抓住機遇在其中勝出，也將意味著將順利站上變革風口。