新材料的開發與製程參數優化，是學術界與產業界一直面臨的問題。對於複雜材料分析，儘管現在市面上的分析設備不斷在進步，但還是需要搭配有經驗的分析人員。以近幾年的文獻觀察，不難發現近五年來的學術文章，運用機器學習方式協助人工判斷數據的比例大幅提高，不管是在材料選擇以及結果分析，已經有電腦自動分析與判斷的趨勢。然而對於包羅萬象的材料系統，在初期的決策還是需要靠專家經驗，隨著材料資訊數位化的趨勢，日後以人類智慧訓練電腦學習的過程，必定更有效率，將在各個領域逐漸擴展開來。
本文將從以下大綱，介紹高階檢測分析技術的智慧化趨勢，以及工研院正著手進行材料資訊數位化的案例。
‧前言
‧高階檢測分析技術的智慧化趨勢
‧材料特徵資料庫建置
‧材料製程智慧化應用案例
‧結論
【內文精選】
前言
人工智慧(Artificial Intelligence; AI)與機器學習在我們的日常生活中產生革命性的改變。以醫學為例，人工智慧協助診療人類皮膚病變種類，例如區分皮膚癌與良性皮脂炎、惡性黑色素瘤與良性痣。這些需要專業醫師才能區分的病變，若經由訓練卷積神經網絡(Convolutional Neural Network; CNN)，將足夠多的皮膚病變影像輸入後，所得到的訓練結果將足以媲美有經驗的皮膚科醫師。優化後的製程參數，可以提高最終材料性能與提高價值，對於工業發展有直接的幫助。
高階檢測分析技術的智慧化趨勢
AI已經被證明在分析顯微影像相當有用。例如掃描穿透式電子顯微鏡(Scanning Transmission Electron Microscope; STEM)與掃描穿隧顯微鏡(Scanning Tunneling Microscope; STM)可得到原子級影像，其中STEM的電子顯微像中不單單能看到原子影像當作直接的証據，且可以通過電子繞射圖形的計算分析，鑑定晶體結構。然而辨識晶格中的原子與缺陷種類需要有良好的理論基礎與學理判斷，若分析人員經驗不足與材料資訊缺乏，即使有好的數據也無法正確判斷。有文獻顯示，結合深度神經網路方法，已經開發出自動分析流程，可用於定位晶格中原子位置（如圖一），識別其類型和缺陷結構的位置，這對於未知的材料類型之鑑定是相當有幫助的。
圖一、以FCN與LoG方法定位STEM影像中的原子位置
材料製程智慧化應用案例
目前工研院內正在將智慧化AI平台導入各個材料研發領域當中，希望提升材料的研發速度。筆者目前正進行有機酸類的結晶製程優化。要得到高純度的有機酸結晶，需要嚴格控制環境，產出的晶粒越大，表示結晶純度越高，即為高品質的化工原料。目前結晶製程在技術上有三個關鍵問題：①結晶過程在槽體內受到多重因子影響結晶的型態、尺寸及產量；②結晶品質目前是靠人工方式判讀；③如何找到晶粒影像與環境數的相關聯性，需要結合專家輔助機器學習與適當的演算法，將專家經驗數位化。
在製程過程中，檢測方法若是需要較長的時間，通常產品品質也會隨時間呈現變化，量測結果具有的代表性就會大幅度的降低，為了提升檢測的可靠性，所使用的監控方法需要具有較短的量測時間。光譜是一種強大的製程檢測(In-process Inspection)工具，投資成本低（約在2萬美元至20萬美元），測量時間很快，通常在數秒到數分鐘的範圍內，更重要的是光譜量測不需要樣品製備，可以被設計為現地量測的方法，擴大在實場的應用。
以有機酸結晶為例，晶體結構會隨著製程條件而有不同，不同的晶體結構在生物利用性等效能上有差別，文獻中可使用拉曼光譜儀來辨別不同的晶體結構。另一種方法為在吸收光譜中追蹤我們感興趣的特徵峰高度，並且將該高度與相同溫度下對應於飽和溶液的特徵峰高度進行比較，即可得知溶液飽和度。有機酸的特徵吸收通常在紫外光波段，麩胺酸(Glutamic Acid)的吸收在190 nm~250 nm之間的範圍，如圖六，其他芳香族氨基酸（苯丙氨酸、酪氨酸和色氨酸）在240 nm~340 nm之間有顯著的吸收。由於靈敏度與重複性高…...以上為部分節錄資料，完整內容請見下方附檔。
圖六、UV-Vis儀器分析有機酸溶液的吸收光譜
作者：高豐生、林榆喬、陳怡真／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。