隨著電腦運算效能與理論數值方法的快速發展，國際上在材料科學的研發模式，已逐漸轉變為「理論模擬及數據驅動實驗驗證」，以物理化學理論模型為基礎的材料理論模擬搭配以數學近似模型為主的AI機器學習，快速尋找新材料以及設計新產品，最後再輔以實驗進行驗證；如何善加整合專家經驗、材料理論模擬、機器學習演算方法以及高效能電腦硬體資源，來協助產品的開發與改良，必然會是未來的發展趨勢。
本文將從以下大綱，介紹國際與國內研究團隊與產業，積極導入高效能電腦模擬運算與AI機器學習於材料科學領域上的案例。
‧材料理論模擬與機器學習的差異性
‧基因演算法應用於合金奈米粒子設計
‧金屬材料與拓撲材料快速辨別分類
‧無機固態電解質材料篩選與特性預測
‧有機材料特性預測與分子設計
‧高電壓電解液添加劑材料特性預測
【內文精選】
以物理化學理論為基礎的高效能電腦模擬運算，從小尺度的微觀量子力學模擬，至大尺度的有限元素分析，再搭配近年來AI機器學習(Machine Learning)與數據分析方法的快速發展帶動下，以材料模擬運算結果為基礎數據，輔以AI機器學習建立的數學預測模型，能簡化材料特性之間的複雜關係，快速且精準地預測材料或產品特性。此新興的方法已大幅度地改變了以往「經驗指導實驗」的材料設計(Materials Design)模式，進而轉變為「理論模擬及數據驅動實驗驗證」，可有效降低廠商投入的研發成本與新產品開發週期。
材料理論模擬可以作為提供機器學習訓練資料的來源，依靠成熟的物理化學理論，透過電腦先行產生足夠量的材料數據資料，再提供給機器學習進行訓練，建立可快速預測特性的數學模型，兩者相輔相成，不僅可改善材料理論模擬需要大量計算資源的缺點，也可透過機器學習來跳脫出前人經驗的框架，找到全新未知的材料以及開發全新的產品。以下將介紹模擬與機器學習結合並應用在無機與有機以及電池材料上的案例。
金屬材料與拓撲材料快速辨別分類
德國Max Planck Society的Matthias Scheffler教授，近期開發出一套用於尋找最佳描述子(Descriptors)的演算法，全名為Sure Independence Screening and Sparsifying Operators (SISSO)。該演算法可以將原始的材料特徵(Primary Features)以及各種數學運算符號(Allowed Operations)進行特徵重組，作為新的描述子，再從大量的描述子中找出最佳的描述子，使數據點之間的重疊程度最小化，提升分類準確度。圖五是SISSO應用於二元金屬/非金屬材料分類的案例，總共收集363組材料數據。其中原始材料特徵包含游離能(IE)、電子親和力(EA)、原子共價半徑(rcov)、電負度(χ)、價數(υ)、配位數(CN)、原子間距(dAB)、元素組成(xA, xB = 1-xA)與單位晶胞體積和原子體積比率Vcell/ΣVatom (Vatom = 4πr3cov/3)等；若只從原始的材料特徵中挑選兩個特徵繪圖，無法完整地區分金屬與非金屬材料，但是導入SISSO演算法的最佳化後，可以有效找出兩個最佳的描述子D1以及D2，再以D1與D2進行繪圖，即可完整地區分開金屬與非金屬兩類材料，分類預測準確度可達99.2%。
圖五、SISSO應用於二元金屬/非金屬材料分類案例。其中，紅色區域代表金屬，藍色區域代表非金屬
高電壓電解液添加劑材料特性預測
隨著次世代高電壓鋰離子電池的發展，傳統的碳酸酯類電解液已無法承受如此高的操作電壓，因此迫切需要找尋新型的耐高電壓電解液材料。三星先進技術研究院(SAIT)結合高通量計算(High-throughput Calculation)進行耐高電壓型電解液添加劑篩選，並建立結構-特性關聯性的機器學習模型。該研究以公開的有機物質資料庫Pub-Chem作為基礎，截取近百萬筆的有機分子之簡化分子線性輸入規範(Simplified Molecular-input Line-entry Specification; SMILES)結構與三維分子結構，利用SMILES進行分子結構的特徵轉換，以元素、鍵結形式、環結構與官能機等共86種描述子作為輸入資料，詳細內容請見表二。再利用三維分子結構執行量化計算(Quantum Chemical Calculation)，以獲取各有機分子的氧化還原電位(Redox Potential)，當作類神經網絡演算法欲預測的電解液材料特性之數據來源。圖十四為高通量計算與機器學習流程圖，以及類神經網絡演算法預測氧化還原電位示意圖。
圖十四、(a)高通量計算與機器學習之流程圖；(b)類神經網絡演算法預測氧化還原電位示意圖
透過高通量計算的材料特性，以及其他限制條件的篩選（如元素、鍵結形式、環結構、可購買性等），SAIT成功從近百萬筆資料庫中篩選出Quinoxaline有機分子，並利用實驗進行循環壽命的驗證。實驗結果請見圖十五，顯示同樣於200次循環條件下，該添加劑能增進電容量維持率(Capacity Retention)，從64.3%提升至80.8%。此外，利用類神經網絡建立的預測模型，其預測精準度可達90%。圖十六為氧化電位的量化計算與模型預測的結果比較…...以上為部分節錄資料，完整內容請見下方附檔。
作者：張哲銘、李涵榮、林鈺杰／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。