材料化工產業數位轉型之機會與挑戰

 

刊登日期:2018/10/5
  • 字級

數位轉型浪潮已席捲全球產業,包括金融、電子商務與製造業,成為企業必須面對的共同議題與發展的必然趨勢。以製造業而言,其影響層面包括數位供應鏈、數位製造工廠、數位研發與數位勞動力。看好台灣製造業在人才與成本競爭的相對優勢,近年來許多國際數位領導廠商紛紛來台設立研發中心,包括NVIDIA、Google、Microsoft、Amazon等,並積極與台灣中小企業隱形冠軍進行合作,布局全球市場;同時政府也積極投入AI人工智慧數位人才培育與新創環境建置,希望將台灣打造成全球數位轉型最佳的場域測試驗證平台,也藉此帶動國家整體產業朝向數位、循環經濟的方向永續發展。

根據2017世界經濟論壇(World Economic Forum)啟動材料化工產業的數位轉型計畫的研究報告指出,未來10年數位轉型將為全球材料化工產業創造約3,100~5,500億美元的價值,本文將從以下大綱,對其影響的層面進行介紹。
‧前言
‧數位供應鏈(Digital Supply Chain)
‧數位製造工廠(Digital Plant)–工業4.0
‧材料數位研發(Digital R&D)–材料4.0
‧企業該如何進行數位轉型
‧結論

【內文精選】
前言
根據全球市調公司Deloitte於2016年發表的「2020全球製造業競爭力指數」報告,台灣整體排名位居第九位,前五大製造國分別為美國、中國、德國、日本與印度。製造業占台灣整體GDP約30%,比起美國的12%、德國與日本的20%要高出許多,顯示製造業對台灣未來整體經濟發展的影響遠高於其他國家,也意味著政府更需重視與投入製造業相關的基礎建設與研發投資。此份報告同時針對美國、中國與歐洲等數百位企業CEO針對未來先進製造最需優先建立的技術進行訪查,結果顯示包括先進材料、IoT(如智慧互聯網、智慧工廠)、計算模擬與數據解析(如預測分析技術、數位設計/模擬與整合、高性能計算)被列為未來最需優先建立的技術,如表一所示,顯示數位轉型(Digital Transformation)與先進材料技術已成為全球製造業投資發展重要趨勢。

材料數位研發(Digital R&D)–材料4.0
材料研發手法已從傳統Materials 1.0的實驗試誤(Trial-and-Error)經驗累積,逐漸發展結合Materials 2.0的理論基礎(熱力學、動力學)、Materials 3.0導入電腦運算的多尺度模擬(Multiscale Simulation),以及近期受到高度矚目的Materials 4.0—材料信息學(Materials Informatics)。簡單來說,材料信息學是結合大量的材料數據與AI機器學習來驅動創新材料設計開發(Data-driven Materials Design and Development),數據取得可以來自模擬計算、合成與加工實驗數據、特性量測數據、材料檢測數據,或公開材料數據庫等。有了材料數據就可以讓機器(電腦)進行目標物學習,協助新材料物性設計、材料配方與製程優化、檢測影像圖譜辨別、元件性能預測、產線IoT大數據分析、線上即時檢測與決策等之應用,如圖二所示。

圖二、材料4.0基本架構
圖二、材料4.0基本架構

 

工研院材化所近年來積極投入材料4.0 Materials Informatics相關議題應用研究,並鏈結國際資料庫進行新材料設計。以鋰電池高電壓電解液添加劑有機分子設計為例,我們可以從Materials Project資料庫中取得約萬筆有機分子材料結構,針對所需材料物性進行第一原理計算篩選,找出符合耐高電壓條件下的潛力添加劑材料。除了從國際資料庫取得相關分子結構,我們也運用基因演算法(Genetic Algorithm),從初始百筆資料中,經由Adaptation、Selection、Variation and Competition的演化過程,找出超過3萬筆以上的分子結構材料,再藉由高通量材料計算針對所需條件進行材料物性計算篩選,發掘潛在合適之新分子結構,如圖六所示。

另外,以多層PCB板材熱翹曲率為例,熱翹曲主因源自於各層間熱膨脹係數(CTE)無法匹配所致,而每層熱膨脹係數又與Cu的覆蓋率有關。以8層PCB材料及8種Cu覆蓋率為例,總共有>106種的組合。工廠端在實務上無法預測PCB熱翹曲率,而以有限元素分析法(FEA)模擬計算仍耗時過久,無法即時回饋解決問題。本案例中,以有限元素分析法建立800組熱翹曲數據,以不同的Cu覆蓋率作為機器學習特徵的Input,熱翹曲率為Output,並以類神經網路(ANN)預測模型,準確性R2可達0.94,如圖八所示。有了預測模型,就可針對各層間Cu的覆蓋圖案設計來降低熱翹曲問題。此模型可以擴充到製程參數對熱翹曲的影響預測,只要將機器學習的特徵Input...…以上為部分節錄資料,完整內容請見下方附檔。

圖八、機器學習導入多層PCB板熱翹曲率特性預測
圖八、機器學習導入多層PCB板熱翹曲率特性預測

作者:張志祥/工研院材化所
★本文節錄自「工業材料雜誌」382期,更多資料請見下方附檔。

 


分享