近年來，隨著人工智慧（AI）技術逐步導入材料科學領域，傳統研發模式正走向轉型，過往材料開發仰賴大量實驗試錯與高成本模擬，其週期冗長且效率有限，而AI可透過加速運算與深度學習模型，在極短時間內完成材料的設計、性能預測與製程優化，可大幅壓縮開發時間並降低資源浪費，例如可協助人們由目標材料特性反推潛力候選物、設計可行的合成與驗證流程以及根據實驗數據即時調整模型參數等。
過去耗時、耗力的流程，現在僅需數天即可完成，大幅縮短傳統研發流程。因此，AI應用於材料科學的技術亦受到國際企業的高度關注，如Google與Microsoft已積極布局相關應用，顯示出AI在材料科學的應用將正成為新一輪技術投資與產業布局的焦點。
預測及驗證的整合，論閉環系統的應用挑戰與解方
目前AI於材料科學的應用可用閉環系統（closed-loop system）說明，閉環系統是一種將「AI預測」與「實驗驗證」整合的模式，使系統可持續自我優化與獲得回饋，主要包含九大流程（如圖1） — （1）定義目標材料特性、（2）數據蒐集與知識提取、（3）材料結構生成與性質預測、（4）設計可行的合成與製程路徑、（5）自動化實驗合成候選材料、（6）材料性能測試與驗證、（7）AI分析材料特性與結構數據、（8）分析並優化合成與加工條件、（9）選出具應用潛力的候選材料。
雖然閉環系統被視為AI材料研發的理想模式，但受限於資料不足、已知材料有限及材料特性尚不完整等因素，目前尚未完全落地實現。為解決上述挑戰，多個研究機構已積極開展自動化實驗與高效率AI模型訓練。舉例而言，英國利物浦大學團隊於2024年11月開發具自主決策能力的實驗機器人[1]，該機器人可根據實驗數據即時調整實驗參數，加速材料篩選及特性驗證流程。此外，美國加州大學伯克利分校從2011年即開始主導的Materials Project[2]，則透過超級運算（supercomputing）建超過16萬筆無機材料的特性數據，目前採開源形式提供，預期可促進新一代AI模型的訓練及新材料的設計。
另一方面，《Nature》於〈The two-way relationship between AI and materials science〉一文中提到，AI在材料科學中的應用需搭配自動化實驗及高通量設備同步發展，方能有效處理AI模型輸出的龐大數據量。該文亦提到，材料科學的進展可反向促進AI技術的演進，例如導入更高導電性或熱穩定性的新材料，將有助於改善運算硬體效能，可提升AI的運算效率與能源管理能力。此雙向互動關係顯示，AI與材料科學的整合應用已在實務中逐步展現效益，並成為兩項技術協同發展的重要方向。
AI驅動材料科學研發進程，談新能源與半導體材料的應用實例
以下說明AI在材料科學領域之應用場景：
- 新能源材料
新能源材料（如電池與太陽能材料）被視為推動全球能源轉型的核心關鍵，然而，傳統材料研發流程自結構設計、實驗合成到性能驗證的流程，往往需耗費數月乃至數年，且結果具高度不確定性，限制材料創新的速率，而AI技術的導入可為材料研發流程帶來新的突破契機。
以電池材料為例，電池材料在光伏效率（photovoltaic efficiency）與能源儲存（energy storage）的限制仍亟待克服。面對傳統材料開發效率的瓶頸，Microsoft於2024年1月結合其雲端運算與量子模擬技術，打造Azure Quantum Elements（AQE）平台[3]，專注於加速材料設計與驗證流程。於同一時間，Microsoft與美國西北國家實驗室（PNNL）合作，針對「低鋰含量」替代材料展開大規模搜尋。以鋰作為電池核心材料，受限於稀缺性與高昂成本，尋找替代方案已成為能源轉型關鍵。透過微軟的AQE平台，僅80小時內即完成3,200萬筆候選材料的生成與特性預測，並逐步篩選出23種具商業潛力的新材料，其中5項已為現有文獻所記載。此一應用案例顯示，AI技術在提升材料研發效率與精準度方面的潛力，並有助於拓展科學家們對化學材料的探索範疇，可見AI在未來能源科技發展扮演重要角色。 - 半導體及光電材料
半導體與光電材料具高度技術門檻，其微觀結構與電子特性對於晶片處理能力、顯示元件的色彩表現，以及光電裝置的能量轉換效率均有決定性影響，由於需針對奈米尺度下的晶體結構與能帶分布（band structure）進行微調，半導體與光電材料的開發普遍面臨高研發成本與長週期挑戰。
當前AI技術已逐步重塑半導體材料開發流程，可應用於材料性質預測、結構生成、缺陷分析與製程參數優化等材料設計之關鍵流程，舉例而言，透過機器學習與深度學習演算法，業者得以在原子層級精準預測結構與能隙表現，並於虛擬環境中模擬導電性與熱穩定性，加速材料設計迭代，有效縮短開發週期並降低試錯成本。
目前已有大型企業導入AI技術，如半導體設備大廠應用材料公司（Applied Materials）於2021年自行研發之AIx（Actionable Insight Accelerator）平台[4]，將AI技術整合至半導體材料開發流程中，該平台可即時分析自設備、量測與製程取得之大量數據，並藉由機器學習演算法進行材料堆疊結構與製程參數優化，此外，亦可針對單一晶圓執行數百萬筆原子層級數據解析，並迅速回饋至研發端，以大幅提升缺陷預測精準度與材料篩選效率，現已廣泛應用於邏輯與記憶體IC研發，可協助提升良率、縮短開發週期。
科技巨頭布局AI材料研發，引領新一波材料設計創新與研發效率升級
隨著運算能力大幅提升，AI驅動的材料研發已邁入加速期，逐步走向產業化關鍵拐點，Google及Microsoft等科技巨頭已紛紛投入資源。
- Google DeepMind – GNoME加速材料穩定性探索
GNoME為Google DeepMind於2023年11月推出的AI平台[5]，透過圖神經網路與主動學習架構，強化無機材料在熱力學穩定性方面的建模與預測效率，現已完成超過220萬筆材料結構模擬，並從中預測出約38萬筆具穩定性的新候選材料，涵蓋電池、超導體及能源相關應用領域。
GNoME在開發過程中導入閉環學習機制，將材料穩定性預測的準確率從原本的50%提升至80%，目前已有逾700種候選材料完成實驗驗證，反映其模型於材料初步篩選階段具一定準確性與可行性；而為促進學界合作，Google DeepMind亦已將部分穩定材料數據開放至Materials Project平台，提供研究社群參考與應用，可望加速未來材料研發進程。 - Microsoft – MatterGen和MatterSim生成新材料候選物
Microsoft研究團隊近年來致力於開發生成式人工智慧（Gen AI）應用於材料科學的工具，包括MatterGen和MatterSim。其中，MatterGen使用Gen AI模型自動設計新材料的候選結構，根據指定條件（如能隙、體積模數、磁性密度等）產出具特定物理或化學性質的新材料結構，而實際驗證該材料的可行性通常需要漫長的實驗過程，因此Microsoft另外推出深度學習模擬工具MatterSim，以運算及模擬方式，快速驗證MatterGen所產之候選材料的實際效能與可行性。透過此一生成與模擬流程的結合，有助於加速材料設計與初步篩選過程，提升整體研發效率。雖尚處於研究與驗證階段，但已展現出AI在材料科學領域的應用潛力。
備註：
- [1] 參考資料：AI-driven mobile robots team up to tackle chemical synthesis. Posted on November 6, 2024, University of Liverpool.
- [2] 參考資料：Materials Project. The program started from 2011, Berkeley lab.
- [3] 參考資料：Discoveries in weeks, not years: How AI and high-performance computing are speeding up scientific discovery. Published on January 9, 2024, Microsoft.
- [4] 參考資料：應用材料AIX平台運用大數據和AI之力加速半導體技術 從實驗室到工廠的創新突破‧發表於2021/4/6，Applied Materials。
- [5] 參考資料：Google DeepMind’s AI Dreamed Up 380,000 New Materials. The Next Challenge Is Making Them. Posted on November 29, 2023, WIRED.
責任編輯：盧頎
【本文僅反映專家作者意見，不代表本報立場。】
|