相关实验视频
Updated: Jun 29, 2025
13:37
Polymer Microarrays for High Throughput Discovery of Biomaterials
Published on: January 25, 2012
14.5K
在机器引导下发现了烯酸光聚合物组合物的发现
Ayush Jain1,2, Connor D Armstrong3,4, V Roshan Joseph5
1School of Material Science and Engineering, Georgia Institute of Technology, Atlanta, Georgia 30332, United States.
ACS applied materials & interfaces
|March 27, 2024
概括
积极学习加速了用于增材制造 (AM) 的新聚合物材料的发现. 这种方法可以有效地预测材料的特性,使得创建有定制特征的定制3D打印对象成为可能.
科学领域:
- 聚合物科学 聚合物科学
- 材料科学 材料科学 材料科学
- 增材制造 (AM) 是一种增材制造.
背景情况:
- 增材制造 (AM) 需要各种各样的聚合物材料,但适合的选择往往是有限的或低于特定应用的最佳选择.
- 为了获得最佳树脂成分,对众多单体组合进行实验选是耗时且昂贵的.
- 共聚合提供了好处,但使AM的材料选择复杂化.
研究的目的:
- 开发一种主动学习 (AL) 方法,以便在AM中有效地发现材料.
- 创建一个机器学习 (ML) 模型,以基于单体组成来预测聚合物特性.
- 为了尽量减少在确定理想树脂配方的实验性努力.
主要方法:
- 一个主动学习 (AL) 算法被用来指导在三元空间内的单体组合的选择.
- 训练了一种机器学习 (ML) 模型来预测聚合物的关键性质 (Young 的模量,峰值应力,终极应变,Shore A 硬度).
- 使用ML模型来准特定的材料特性,如Young的模量,用于材料选择.
主要成果:
- 通过AL方法成功构建了一个ML模型,能够通过最小的实验预测聚合物特性.
- 该ML模型精确地选择了材料组成,其目标Young的模量在10%以内.
- 多材料手的3D打印展示了ML设计材料的实际应用.
结论:
- 积极学习为加速增材制造的聚合物材料发现提供了一种有效的策略.
- 机器学习模型可以预测材料特性,并指导用户特定的AM应用程序的选择.
- 这种方法可以实现知情材料设计,并减少与开发新的AM树脂相关的时间和成本.
