張哲銘/工研院材化所
前言
材料每一次的創新或更換，都會對原本的製造體系、設備與標準造成顛覆性的改變；而新材料的發現、性質量測到配方驗證，至最後送樣量產往往需要耗費龐大的經費與冗長的時間。依據美國的研究，新材料從技術研發到商品上市平均需要18年的時間，較新藥物開發平均12年的時間要多上50％。如何縮短新材料開發的時間與成本已成為材料界的重要課題。
隨著現在電腦運算能力的急速發展，以及實驗方法與設備的精進，加上2011年由美國白宮提出的『Materials Genome Initiative, MGI』材料基因組計畫，越來越多先進國家投入高通量實驗合成、高通量材料模擬計算以及AI機器學習於新材料的設計與開發，以解決材料研發時程冗長的困境；而在2018年的美國材料研究協會所主辦的MRS春季研討會也首次將AI應用於材料開發列為研討會的重要專題之一。本文將針對2018年MRS春季研討會中，有關於高通量實驗、模擬以及AI機器學習的國際現況、相關案例以及既有工具作介紹。
High-Throughput Experiment應用高通量實驗於新材料開發
在新材料開發的過程中，除了材料配比之外，還有許多合成條件需要同時考量，如果使用一般的實驗合成，往往開發一種新材料都得曠日廢時；而此時如果導入高通量實驗(High-Throughput Experimental, HTE)便可以大幅縮短重複實驗合成的時間，同時可能透過高通量的實驗設計，找到意料之外的配方與條件。以圖一為例，美國國家再生能源實驗室(National Renewable Energy Laboratory, NREL)的Andriy Zakutayev博士將高通量實驗合成方法導入在ZnO:Ga薄膜的開發上，利用調整氧氣分壓以及玻璃基材溫度來控制導電度。從圖一的結果來看，當基材溫度越低，氧氣分壓越低，其ZnO:Ga薄膜的導電度卻越高，與原先的科學常識相違背。
圖一、以高通量實驗設計ZnO:Ga薄膜之導電度
高通量實驗合成更可以搭配高通量材料模擬使用，進一步節省實驗合成的成本，以圖二為例，Andriy Zakutayev博士為了尋找透明導電薄膜(Transpatent Conducting Oxide, TCO)之p-type的Mn-oxides材料，其先利用第一原理材料模擬計算分別篩選超過13支Mn-M-oxides的Stability、Band gap、Hole effective masses以及Hole killer等特性，最後篩選出兩支符合材料特性需求的材料，再以實驗合成的方式，進一步確認Polaron以及Hole producer材料特性，最終找到適用之Cr2MnO4。
圖二、結合高通量模擬與實驗開發透明導電薄膜(TCO)材料
高通量實驗合成與高通量材料模擬兩者的搭配是合理且不衝突的。在新材料的開發與設計過程中，需要設計元素組成以及優化化學劑量，高通量材料模擬是搜尋不同元素組成的最佳工具，而化學劑量的優化則適用於高通量實驗合成技術，兩者搭配使用得宜時，定能發展出更多不同的應用，並且還能將這些高通量實驗與模擬的數據做為AI機器學習的訓練資料，再一次加速新材料的設計與開發。
而高通量實驗合成在資料處理分析與視覺化(Data Analysis and Visualization)上，也有公開與半公開的工具可以使用，例如Andriy Zakutayev博士接近開發完成的Camblgor package或是Ichiro Takeuchi教授所開發的CombiView都能協助研究人員能更容易解讀實驗數據；美國國家再生能源實驗室(NREL)也已釋放出......以上為部分節錄資料，完整內容請見下方附檔。