用于制造各种物品（从定制的医疗设备到经济适用房）的 3D 打印技术日益普及，也催生了对新 3D 打印材料的更多需求。为了减少发现这些新材料所需的时间，麻省理工学院的研究人员开发了一种数据驱动的程序，使用机器学习来优化具有多种特性的新 3D 打印材料，如韧性和压缩强度。
通过简化材料开发，该系统降低了成本，并通过减少化学废物的数量来减轻对环境的影响。机器学习算法还可以通过提出人类直觉可能错过的独特化学配方来刺激创新。
该论文的共同主要作者，计算机科学和人工智能实验室（CSAIL）计算设计和制造组（CDFG）的机械工程师和项目经理 Mike Foshey 说：“材料开发在很大程度上仍然是一个手工过程。一个化学家进入实验室，用手混合成分，制作样品，测试它们，并得出最终的配方。但是，与其让化学家在几天内只能做几次迭代，我们的系统可以在相同的时间跨度内做数百次迭代”。
在研究人员开发的系统中，一个优化算法完成了大部分的试错发现过程。材料开发者选择一些成分，将其化学成分的细节输入算法，并定义新材料应具有的机械性能。然后，该算法增加和减少这些成分的数量（就像在放大器上转动旋钮），并检查每种配方如何影响材料的特性，然后得出理想的组合。
然后，开发人员混合、加工和测试该样品，以了解材料的实际性能。开发者将结果报告给算法，算法会自动从实验中学习，并使用新的信息来决定另一个要测试的配方。
研究人员已经创建了一个免费的开源材料优化平台，名为AutoOED，其中包含相同的优化算法。AutoOED是一个完整的软件包，也允许研究人员进行自己的优化。
研究人员通过使用该系统优化一种新的3D打印墨水的配方来测试该系统，这种墨水在紫外线下会变硬。他们确定了配方中使用的六种化学品，并将算法的目标设定为发现在韧性、压缩模量（硬度）和强度方面表现最佳的材料。
