案例分析AI+材料合成：Citrine助力HRL寻找航天级别3D打印铝合金

Citrine智能材料平台基于尖端AI工具和智能数据管理基础架构搭建而成，可用于数据驱动的材料和化学品开发。平台可基于机器学习模型，结合用户企业的行业知识来预测材料在各种配方下的性能，帮助加速材料研发工作。

材料合成行业：3D打印金属材料亟待人工智能助力突破性能局限

增材制造（Additive Manufacturing，AM）俗称3D打印，该技术可以生产出与最终规格要求颇为接近的零件，减少材料浪费和焊接等其他后续处理。然而，打印材料的限制使得当下3D打印尚无法被广泛使用在工业领域。以波音公司和通用汽车公司联合拥有的HRL实验室为例，航空航天和汽车工业需要重量轻、在极端温度下具有高强度的合金，然而3D打印铝合金的强度并不足以满足条件。由于3D打印金属在固化过程中会形成热裂纹（hot cracking），从而影响金属强度，HRL实验室希望能够找到一种能使微型结构成核的纳米粒子，以减少热裂纹的出现。

材料智能研发应用案例解析： 以Citrine助力HRL寻找航天级别3D打印铝合金为例

Citrine智能材料平台基于尖端AI工具和智能数据管理基础架构搭建而成，可用于数据驱动的材料和化学品开发。平台可基于机器学习模型，结合用户企业的行业知识来预测材料在各种配方下的性能，加速材料研发工作。

一、 核心功能

Citrine智能材料平台可以快速搜索1150万种粉末和纳米颗粒的组合。平台通过针对目标材料的性质按批次寻找组合，识别关联的数据集和数据流，创建材料感知的数据结构；然后基于数据来，生成，细化和验证模型。此外，平台在每个环节均支持人机结合的操作模式，其涉及的功能主要包含：

数据管理 – 平台可以提取、构建和存储材料和化学品开发过程中的数据，避免重复试验，并能够迅速找到相关的数据集。

领域知识集成（DKI） – 平台将最大限度利用用户的领域知识数据来优化机器学习模型的性能。通过数据导入（Ingestion）、数据策展（Curation）、数据特征化（Featurization）、设计空间生成、AI模型生成以及目标材料设置六个步骤来预测材料在各种配方下的性能，并给出试验建议。

双界面操作 – 平台具有两个不同的界面：一为图形化网页界面，可直观访问数据和机器学习模型。二为一个灵活的Python客户端，可支持数据工程师和收据科学家自动化工作流程。

二、应用效果

在HRL实验室和Citrine的合作项目中，平台确定了100种粉末和纳米颗粒的候选组合以优化HRL团队需要合成测试的属性。由此产生的材料al7a77是第一种高强度铝合金粉末原料，用于在铝协会注册的现成AM机器。同时，其材料研发工作实现了多项成就，包含：

1. 时间节省：由于材料信息学方法，实验实验室工作从数年减少到几天。

2. 性能提高：新型合金粉在现成的3D打印设备中使用时仍能保持强度。

3. 率先注册：该研发成果成为铝协会注册的第一种添加剂合金。

4. 首次进入市场：Citrine相关研究报告发表两年后，美国宇航局作为第一个商业化的客户。