王允欣/工研院材化所研究員
“大數據”(Big Data) 浪潮席捲全世界，包括製造業、科學研究、金融服務等領域，無一不受到大數據的影響，Big Data已經成為未來科技發展的趨勢，同時也悄悄改變我們的生活方式。然而要發揮數據價值，不能僅有大數據一環，必須透過資料分類與巨量分析，也因此機器學習 (Machine Learning) 以及人工智慧 (Artificial Intelligence, AI) 就顯得相當重要了。2017 MACE (International Conference on Material and Chemical Engineering)探討領域橫跨材料科學、電子工程與電腦科學類等，提供完善平台進行跨領域整合。本屆研討會也緊扣大數據議題，邀請美國Florida A&M University的Katie Brodhead教授以Machine Learning in Computer Science為題，提供keynote Speech。
人工智慧是於1955年由John McCarthy所提出，使電腦或機器具備與人類一樣的思考邏輯與行為模式，並且利用學習、推理、自我校正等形式，進而選擇、了解並感受。機器學習為人工智慧的其中一項分支，使用大量歷史資訊和演算法來分析數據並從中學習，達到預測判斷目標，也因此如何選擇適當的分類方法就顯得相當重要。在機器學習中，可簡易分為四大步驟，包括數據收集、分析、模型建立與預測未來，區分為監督式學習(Supervised Learning)以及非監督式學習(Unsupervised Learning)。前者提供已標示好的物件，電腦只需透過其特徵將數據分門別類，雖然前置作業需要花的時間較長，卻能得到較準確的結果；後者則無標準答案供電腦學習判斷，準確度較低。因此，目前於機器學習中，多半傾向半監督式學習，透過少部分標示資料，讓電腦判讀剩餘的大部分數據，可降低時間與成本，並提升預測精準度。使用的分類法包括二分法(Two-class)、歸納分析(Regression)、群集(Clustering)等。一般而言，機器學習可化繁為簡，適合應用於資料筆數龐大、需快速獲取結果、無法定義所有的規則等狀況。最早的例子為1997年IBM的Deep Blue以人工智慧方式打敗世界棋王，爾後隨著電腦運算與儲存能力高速增長，包括蘋果Siri、微軟Cortana、Google Deep Mind AlphaGo等，都是機器學習最佳的應用典範。
同時，針對材料科學如何與機器學習結合，也以2016年美國哈佛大學教授於Nature所發表的文章當作最好的例子，作者透過收集到的失敗/成功水熱合成實驗參數作為機器學習的基礎，如圖一，進一步以決策樹(如圖二)之監督式機器學習模式將數據分類，並且標註其中的物理、化學性質。例如高極性胺類歸類於決策樹之紅框，低極性胺類則歸在綠框，透過分子性質推測金屬價態與其相對配位基(如草酸鹽類等)，進而預測Vanadium Selenite結晶的反應結果與判斷是否合成成功。本篇文獻證實機器學習模型優於傳統研究方法，成功預測新穎模板無機物合成條件，並且準確機率高達89%。
圖一、反應回饋機制流程圖
另外，研討會的口頭報告議程涵蓋各項材料科學應用研究，包括磁性材料、超導體、催化材料、電池以及生醫材料等，內容相當廣泛。於催化材料部分，應用載具為煤煙(Soot)處理，煤煙也就是俗稱的PM(Particulate Matter)，主要來自於碳氫燃料於缺氧環境中燃燒不完全之碳粒子產物，經過成核反應(Nucleation)、表面成長(Surface Growth)以及凝聚(Agglomeration)，如圖三，其粒徑由0.5nm逐漸增長至0.1~10um不等，而煤煙不僅為影響全球氣候暖化的其中一項因素，更會對人體健康造成危害。
要降低環境中的煤煙，除了控制上游源頭(如燃料與交通工具引擎)的廢氣排放之外，透過Diesel Particulate Filters(DPFs)以及Gasoline Particulate Filters(GPFs)等微粒過濾器進行煤煙去除為目前應用最廣泛的後處理技術。然而使用濾網所面臨到最大的問題就是堵塞導致效率低落，因此各大廠研發相關催化技術以解決煤煙排放問題，系統示意圖如圖四。包括......以上為部分節錄資料，完整內容請見下方附檔。
圖四、煤煙處理反應器