KI findet günstigeren Weg, NASAs Raketenlegierung zu drucken

Forscher der Washington State University haben mit einem KI-System mehr als 100 Millionen mögliche Konfigurationen für den 3D-Druck von GRCop-42 durchsucht, einer von der NASA für Raketentriebwerksteile entwickelten Kupferlegierung, und sechs Einstellungen gefunden, die auf gewöhnlichen kommerziellen Maschinen funktionieren — darunter erstmals eine mit 500 Watt Laserleistung.

GRCop-42, eine Legierung aus Kupfer, Chrom und Niob, wurde von der NASA für jene Teile eines Raketentriebwerks entwickelt, die zwei einander widersprechende Dinge gleichzeitig leisten müssen: extreme Hitze aushalten und sie zugleich schnell ableiten. Typische Einsatzorte sind Brennkammerauskleidungen und Einspritzkopfplatten, und die Legierungsfamilie ist bereits geflogen — Relativity Space setzte in seinen 3D-gedruckten Triebwerken NASA-GRCop-Legierungen ein. Der Haken lag stets bei der Fertigung. Sie sauber zu drucken erfordert normalerweise sehr hohe Laserleistung, weshalb, wie es WSU-Informatikprofessor Jana Doppa formulierte, "neunzig Prozent der kommerziellen Drucker diese Metalllegierung nicht drucken können."

Zu einem KI-Ergebnis statt zu einem metallurgischen macht die Sache die Form des Suchproblems. Die Kombinationen aus Laserleistung, Scangeschwindigkeit, Schichtdicke und weiteren Parametern übersteigen 100 Millionen, und jeder Kandidat muss physisch gedruckt werden, bevor sich zeigt, ob er funktioniert — ein langsamer und teurer Test. Das Team startete mit 37 bereits gescheiterten Konfigurationen, baute ein Modell, das die Erfolgschancen ungetesteter Einstellungen schätzt, und ließ es kleine Chargen vorschlagen, die bewusst zwei Ziele ausbalancieren: vielversprechend wirkende Einstellungen auszuprobieren und unsichere Bereiche zu erkunden, um das Modell selbst zu schärfen.

Das Budget umfasste 40 Experimente über rund drei Monate, daraus gingen sechs funktionierende Konfigurationen bei mehreren Laserleistungsstufen hervor. Der Gewinn ist keine bessere Legierung, sondern ein günstigerer Weg zur selben: Weniger Leistung bedeutet weniger Energie, weniger Verschleiß an den Anlagen und geringere Nachbearbeitungskosten — und, das betont Doppa besonders, Zugang für Universitäten, kleine Labore und Unternehmen, die nie über die spezialisierten Hochleistungsmaschinen verfügten.

Die Arbeit erschien in den Proceedings of the AAAI Conference on Artificial Intelligence und erhielt den Innovative Deployed Application Award der Konferenz. Doppa leitete das Team gemeinsam mit Azza Fadhel, Nathaniel Zuckschwerdt, Susmita Bose und Amit Bandyopadhyay an der WSU sowie Aryan Deshwal von der University of Minnesota.