用于制造各种手板模型物品（从定制的医疗手板模型设备到经济适用房）的 3D 打印手板模型技术日益提高，也催生了对新 3D 打印手板模型材料的更多需求。为了减少发现这些手板模型新材料所需的时间，麻省理工学院的研讨人员开发了一种数据驱动的程序，运用机器学习来优化具有多种特性的手板模型新 3D 打印资料，如韧性和紧缩强度。

经过简化开发，该系统降低了本钱，并经过减少化学废物的数量来减轻对环境的影响。机器学习算法还能够经过提出人类直觉可能错过的共同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说：“手板模型材料开发在很大水平上依然是一个手工过程。一个化学家进入实验室，用手混合成分，制造样品，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，我们的系统能够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当中，大局部的试错发现过程被一个优化算法完成了。材料开发者选择一些成分，将其需要完善的细节程序输入算法，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，以理解材料的实践性能。开发者将结果报告给算法，算法会自动从实验中学习，并运用新的信息来决议另一个要测试的配方。

研讨人员曾经创立了一个免费的开源资料优化平台，其中包含相同的优化算法。是一个完好的软件包，也允许研讨人员进行本人的优化。

研讨人员经过运用该系统优化一种新的3D打印手板模型墨水的配方来测试该系统，这种墨水在紫外线下会变硬。他们肯定了配方中运用的六种化学品，并将算法的目的设定为发如今韧性、紧缩模量（硬度）和强度方面表现最佳的材料。