近年来，随着人工智能（AI）技术逐步导入材料科学领域，传统研发模式正走向转型，过往材料开发仰赖大量实验试错与高成本仿真，其周期冗长且效率有限，而AI可透过加速运算与深度学习模型，在极短时间内完成材料的设计、性能预测与制程优化，可大幅压缩开发时间并降低资源浪费，例如可协助人们由目标材料特性反推潜力候选物、设计可行的合成与验证流程以及根据实验数据实时调整模型参数等。
过去耗时、耗力的流程，现在仅需数天即可完成，大幅缩短传统研发流程。因此，AI应用于材料科学的技术亦受到国际企业的高度关注，如Google与Microsoft已积极布局相关应用，显示出AI在材料科学的应用将正成为新一轮技术投资与产业布局的焦点。
预测及验证的整合，论闭环系统的应用挑战与解方
目前AI于材料科学的应用可用闭环系统（closed-loop system）说明，闭环系统是一种将「AI预测」与「实验验证」整合的模式，使系统可持续自我优化与获得回馈，主要包含九大流程（如图1） — （1）定义目标材料特性、（2）数据搜集与知识提取、（3）材料结构生成与性质预测、（4）设计可行的合成与制程路径、（5）自动化实验合成候选材料、（6）材料性能测试与验证、（7）AI分析材料特性与结构数据、（8）分析并优化合成与加工条件、（9）选出具应用潜力的候选材料。
虽然闭环系统被视为AI材料研发的理想模式，但受限于数据不足、已知材料有限及材料特性尚不完整等因素，目前尚未完全落地实现。为解决上述挑战，多个研究机构已积极开展自动化实验与高效率AI模型训练。举例而言，英国利物浦大学团队于2024年11月开发具自主决策能力的实验机器人[1]，该机器人可根据实验数据实时调整实验参数，加速材料筛选及特性验证流程。此外，美国加州大学伯克利分校从2011年即开始主导的Materials Project[2]，则透过超级运算（supercomputing）建超过16万笔无机材料的特性数据，目前采开源形式提供，预期可促进新一代AI模型的训练及新材料的设计。
另一方面，《Nature》于〈The two-way relationship between AI and materials science〉一文中提到，AI在材料科学中的应用需搭配自动化实验及高通量设备同步发展，方能有效处理AI模型输出的庞大数据量。该文亦提到，材料科学的进展可反向促进AI技术的演进，例如导入更高导电性或热稳定性的新材料，将有助于改善运算硬件效能，可提升AI的运算效率与能源管理能力。此双向互动关系显示，AI与材料科学的整合应用已在实务中逐步展现效益，并成为两项技术协同发展的重要方向。
AI驱动材料科学研发进程，谈新能源与半导体材料的应用实例
以下说明AI在材料科学领域之应用场景：
- 新能源材料
新能源材料（如电池与太阳能材料）被视为推动全球能源转型的核心关键，然而，传统材料研发流程自结构设计、实验合成到性能验证的流程，往往需耗费数月乃至数年，且结果具高度不确定性，限制材料创新的速率，而AI技术的导入可为材料研发流程带来新的突破契机。以电池材料为例，电池材料在光伏效率（photovoltaic efficiency）与能源储存（energy storage）的限制仍亟待克服。面对传统材料开发效率的瓶颈，Microsoft于2024年1月结合其云端运算与量子模拟技术，打造Azure Quantum Elements（AQE）平台[3]，专注于加速材料设计与验证流程。于同一时间，Microsoft与美国西北国家实验室（PNNL）合作，针对「低锂含量」替代材料展开大规模搜寻。以锂作为电池核心材料，受限于稀缺性与高昂成本，寻找替代方案已成为能源转型关键。透过微软的AQE平台，仅80小时内即完成3,200万笔候选材料的生成与特性预测，并逐步筛选出23种具商业潜力的新材料，其中5项已为现有文献所记载。此一应用案例显示，AI技术在提升材料研发效率与精准度方面的潜力，并有助于拓展科学家们对化学材料的探索范畴，可见AI在未来能源科技发展扮演重要角色。 - 半导体及光电材料
半导体与光电材料具高度技术门坎，其微观结构与电子特性对于芯片处理能力、显示组件的色彩表现，以及光电装置的能量转换效率均有决定性影响，由于需针对奈米尺度下的晶体结构与能带分布（band structure）进行微调，半导体与光电材料的开发普遍面临高研发成本与长周期挑战。当前AI技术已逐步重塑半导体材料开发流程，可应用于材料性质预测、结构生成、缺陷分析与制程参数优化等材料设计之关键流程，举例而言，透过机器学习与深度学习算法，业者得以在原子层级精准预测结构与能隙表现，并于虚拟环境中模拟导电性与热稳定性，加速材料设计迭代，有效缩短开发周期并降低试错成本。目前已有大型企业导入AI技术，如半导体设备大厂应用材料公司（Applied Materials）于2021年自行研发之AIx（Actionable Insight Accelerator）平台[4]，将AI技术整合至半导体材料开发流程中，该平台可实时分析自设备、量测与制程取得之大量数据，并藉由机器学习算法进行材料堆栈结构与制程参数优化，此外，亦可针对单一晶圆执行数百万笔原子层级数据解析，并迅速回馈至研发端，以大幅提升缺陷预测精准度与材料筛选效率，现已广泛应用于逻辑与内存IC研发，可协助提升良率、缩短开发周期。
科技巨头布局AI材料研发，引领新一波材料设计创新与研发效率升级
随着运算能力大幅提升，AI驱动的材料研发已迈入加速期，逐步走向产业化关键拐点，Google及Microsoft等科技巨头已纷纷投入资源。
- Google DeepMind – GNoME加速材料稳定性探索
GNoME为Google DeepMind于2023年11月推出的AI平台[5]，透过图神经网络与主动学习架构，强化无机材料在热力学稳定性方面的建模与预测效率，现已完成超过220万笔材料结构仿真，并从中预测出约38万笔具稳定性的新候选材料，涵盖电池、超导体及能源相关应用领域。
GNoME在开发过程中导入闭环学习机制，将材料稳定性预测的准确率从原本的50%提升至80%，目前已有逾700种候选材料完成实验验证，反映其模型于材料初步筛选阶段具一定准确性与可行性；而为促进学界合作，Google DeepMind亦已将部分稳定材料数据开放至Materials Project平台，提供研究社群参考与应用，可望加速未来材料研发进程。 - Microsoft – MatterGen和MatterSim生成新材料候选物
Microsoft研究团队近年来致力于开发生成式人工智能（Gen AI）应用于材料科学的工具，包括MatterGen和MatterSim。其中，MatterGen使用Gen AI模型自动设计新材料的候选结构，根据指定条件（如能隙、体积模数、磁性密度等）产出具特定物理或化学性质的新材料结构，而实际验证该材料的可行性通常需要漫长的实验过程，因此Microsoft另外推出深度学习模拟工具MatterSim，以运算及模拟方式，快速验证MatterGen所产之候选材料的实际效能与可行性。透过此一生成与仿真流程的结合，有助于加速材料设计与初步筛选过程，提升整体研发效率。虽尚处于研究与验证阶段，但已展现出AI在材料科学领域的应用潜力。
备注：
- [1] 参考数据：AI-driven mobile robots team up to tackle chemical synthesis. Posted on November 6, 2024, University of Liverpool.
- [2] 参考数据：Materials Project. The program started from 2011, Berkeley lab.
- [3] 参考数据：Discoveries in weeks, not years: How AI and high-performance computing are speeding up scientific discovery. Published on January 9, 2024, Microsoft.
- [4] 参考数据：应用材料AIX平台运用大数据和AI之力加速半导体技术 从实验室到工厂的创新突破‧发表于2021/4/6，Applied Materials。
- [5] 参考数据：Google DeepMind’s AI Dreamed Up 380,000 New Materials. The Next Challenge Is Making Them. Posted on November 29, 2023, WIRED.
责任编辑：卢颀
【本文仅反映专家作者意见，不代表本报立场。】
|