El 12 de febrero de 2012, el entonces presidente de Estados Unidos, Barack Obama, relataba en el discurso del estado de la Unión cómo lo que había sido un almacén desvencijado en Youngstown, Ohio, se convirtió en una laboratorio de última generación de impresión 3D “que tiene el potencial de revolucionar la manera en que hacemos casi todo”. De hecho, anunciaba la creación de otros tres proyectos similares con participación estatal.

A partir de esa intervención, todo el mundo pareció abrazar la locura de la impresión 3D. Se alzaron voces que afirmaban que muy pronto todo sería fabricado con esta tecnología y que las tendríamos en los hogares, casi para imprimirnos las comidas.

Han pasado casi diez años y la tan cacareada explosión no se ha producido. Eso no significa que la impresión 3D no haya ocupado más espacio. De hecho, aquí mismo, en El Telescopio, te contábamos en pleno confinamiento, en abril del año pasado, cómo Carlos López; su mujer, Laura; y sus hijas Alba, Paula y Laura, fabricaban en su casa pantallas protectoras para personal sanitario con dos impresoras 3D.

El MIT ha presentado un algoritmo que reduce los costes y disminuye el impacto medioambiental

Superar barreras

Uno de los principales frenos para su desarrollo es la dificultad que implica desarrollar materiales que puedan utilizar los dispositivos. Ahora, un equipo de investigación del Massachusetts Institute of Technology [MIT] acaba de presentar un sistema de machine learning basado en datos que analiza diferentes características de esos materiales.

Este sistema “reduce los costes y disminuye el impacto medioambiental al reducir la cantidad de residuos químicos”, según el MIT. El algoritmo de machine learning “podría también estimular la innovación al sugerir formulaciones químicas originales que la intuición humana podría pasar por alto”.

El sistema permite realizar cientos de repeticiones en unos días

Del ser humano, a la máquina

Mike Foshey, ingeniero mecánico y máximo responsable del proyecto, explica que “el desarrollo de materiales es, en gran parte todavía, un proceso manual. Un químico va al laboratorio, mezcla ingredientes a mano, extrae muestras, las prueba y concluye una formulación final”.

El nuevo proceso desarrollado consigue que, en lugar de realizar “un par de iteraciones en el plazo de unos días”, el sistema lleve a cabo cientos de repeticiones en ese mismo período de tiempo.

El algoritmo varía las cantidades de esos componentes y comprueba cómo cada una de las formulaciones afecta a las propiedades del material

Menos pruebas físicas

El algoritmo “realiza la mayor parte del proceso de descubrimiento basado en prueba y error”: un desarrollador de materiales selecciona unos cuantos ingredientes, introduce sus composiciones químicas en el software y define las propiedades mecánicas que el nuevo material debería tener.

El algoritmo varía las cantidades de esos componentes y comprueba cómo cada una de las formulaciones afecta a las propiedades del material buscado para, de esa forma, identificar la combinación idónea.

“Después, el desarrollador mezcla, procesa y prueba esa muestra para comprobar el comportamiento real del material”, explican desde el MIT. Esa información se vuelve a introducir en el algoritmo para que este aprenda del experimento y esa información sirva para las siguientes formulaciones que se vayan a probar.

“Creemos, por un número de aplicaciones, que su rendimiento superará al del método convencional, porque puedes fiarte mucho más de la optimización del algoritmo para encontrar la solución idónea. No necesitas tener a un químico experto a mano para preseleccionar las formulaciones de materiales”, argumenta Foshey.

La plataforma open source y gratis AutoOED permite que otras personas también puedan beneficiarse de esta innovación

Plataforma open source y gratis

Lo mejor de todo es que el equipo de investigación ha creado una plataforma de optimización de materiales open source y gratis, denominada AutoOED, que incorpora el algoritmo, para que otras personas también puedan beneficiarse de este proceso mejorado.

Maximizar las propiedades del material manualmente también puede ser más complicado porque el más fuerte puede no ser el más rígido. Por tanto, se suele optimizar cada una de las propiedades por separado, lo que supone la realización de muchos experimentos y, en consecuencia, de muchos residuos.

Resultado de las pruebas

El algoritmo identifica los doce materiales que ofrecían mejores resultados de las tres diferentes propiedades [dureza, rigidez y fuerza] tras probar 120 muestras. Foshey y el resto del equipo han mostrado su sorpresa ante la variedad de opciones que el algoritmo ha sido capaz de generar y aseguran que los resultados han superado ampliamente sus expectativas, en base a seis ingredientes.

En el futuro, se espera que el sistema sea incluso más rápido, una vez que sean robots los que se encarguen de mezclar y probar cada muestra. Y los datos podrán utilizarse para desarrollar nuevas tintas 3D.

Según Foshey, “esto tiene amplias aplicaciones en la ciencia de materiales en general. Por ejemplo, si quieres diseñar nuevos tipos de baterías con mayor eficiencia y menor coste, podrías utilizar un sistema como este para conseguirlo. O si quisieras optimizar una pintura para coche para que tenga mejor rendimiento y sea respetuosa con el medioambiente, este sistema podría hacerlo también”.