卡内基梅隆大学工程学院的研究人员开发了一种新方法来优化软材料3D打印。研究人员的专家指导优化（EGO）方法采用优化算法，可有效搜索与3D打印相关的参数组合，从而实现高保真软材料产品的打印。

    使用S3D CAD切片机制作PDMS 3D打印图像以确定刀具路径
    当谈到3D打印软材料时，许多参数都会影响最终产品。 3D打印机的头部移动速度有多快，打印产品的凝胶浴的浓度以及打印中每种材料的浓度只是影响最终产品的一小部分变量。在每个印刷品中，可以有几十个参数要考虑，以及更多可能的组合。一个典型的优化模型或实验设计将关注一些被认为是印刷品最重要的参数。然而，将这些优化模型适用于其3D打印特性尚不为人所知的实验材料，可能会非常具有挑战性。
      “当3D打印热塑性塑料时，当探索一种印刷特性未知的实验材料时，这些组合变得更加令人生畏，例如，如果实验材料具有20个印刷参数，并且具有五个等级，则实验者可以拥有数万亿的印刷设置组合。”但是，对于EGO模型，这个挑战可以减少一个障碍，因为专家能够排除许多无效组合，通过将专家的科学判断与高效的搜索算法相结合，EGO显着降低了寻找能够为实验材料提供最佳3D打印的组合所需的时间和能量。
    “EGO的目的是创建一个有效的搜索算法，明确地结合专家知识和传统的搜索算法，工程和公共政策助理教授Alex Davis说。 “通常我们认为机器学习对于大数据很有用，但EGO适用于我们很少或没有数据，需要依靠专家判断的情况，然后通过搜索算法和专家知识的组合，有效地组合起来。”
     EGO模型由三个步骤组成。首先，人类专家选择初始参数集，为算法提供搜索的边界。然后，爬山算法在这些边界内搜索这些参数的有希望的组合，从而产生“局部最优”。最后，专家评估局部最优化并决定是否通过添加新参数来改变搜索过程，或者继续在现有边界内进行搜索。该过程迭代直到找到理想的解决方案。
     EGO方法作为一种系统化的工具，可以发现可产生可重现的高质量新型材料的关键参数，它可以延伸到各种工程过程的软质材料的3D打印之外。

研究小组主要作者包括Sara Abdollahi和Alex Davis