黃育立、高竹均、黃爾文/交通大學材料科學與工程學系；吳承憲/康和綜合證券資訊部、
李玟頡/國家高速網路與計算中心、賴宏仁/工研院材化所
ANSYS在積層製造的發展
傳統的製造方式能夠大量生產同樣的形狀和設計，但積層製造將生產往少量、精緻、客製化發展，它可以生產許多傳統製造方式不容易產生的形狀，也能將製造傳統方式無法一次製造的設計，讓零件不需要額外組裝，也相對的減少零件產生的應力集中問題。但積層製造在金屬製作上會遇到許多新的問題(7-9)，例如：列印高溫產生的內應力、因溫度收縮產生的變形、如何最佳化列印參數.…等等，都需要系統化的方式找到解決方案。當ANSYS能夠準確的輸入Granta Design材料性質後，材料的扭曲或變形，可以在模擬中預先設計做補償，以消除材料熱漲冷縮不匹配的變形，這會讓列印出來的成品能藉由數據庫中的材料性質，以更接近設計的需求，節省大量材料試誤法的成本和列印的時間。
ANSYS收購Granta Design
2019年2月19日，ANSYS收購Granta Design，推動材料性質智能化。利用Granta Design擁有的資料庫，讓ANSYS在設計模擬時，能直接提取資料庫的資訊，降低檢索的時間，並確保資訊的準確性、一致性和可追溯性。也使得ANSYS在提供解決方案時，不只提供工具，連材料性質的這塊拼圖也被包含在內。而在ANSYS 2019R2軟體的版本時，已看到Granta Design的部分資料庫已被包含進ANSYS。當選定一個材料，其各項性質就會被自動帶入模擬時的參數設定，在操作上方便許多，省去查找數據和轉換單位的困擾。
由這次的收購可以看到，材料資訊漸漸成為一個整合性的顯學，從有限元素法理論去計算的公司，收購了一家蒐集各資料庫做平台的公司，顯示兩者的差異並不是理論與實驗，而是可以互相截長補短的。在面對未來的挑戰時，我們會需要更強力的工具，更系統性的分析問題，而獲得更好的解決方案。
交大材料與工研院的機器學習案例
如前言所述，驗證新配方時，一般要透過融煉，製成合金後再以機械性質測試來比對，這種trial-and–error 的方式，需要可觀的時間與成本。隨著材料資料庫的快速累積，配合現在高速的電腦運算效能和快速發展的人工智能領域，我們可以用電腦去預測每個階段可能的結果，迅速的回饋並做出調整，可以將材料的開發週期降低。
美國材料基因組計畫(Materials Genome Initiative (MGI))的啟動，進入了材料的大數據時代。在網路上可以找到許多開放的材料資料庫，例如Inorganic Crystal Structure Database (ICSD), the Open Quantum Materials Database (OQMD), the Cambridge Structural Databases , the Materials Project (MP), the Materials Commons, and the Materials Data Facility。這些開放的資料庫提供了很好的研究材料，但如何快速的分析和彙整這樣大量的資料庫，就變成是最重要的問題，這時候利用機器學習來協助我們處理這問題。
交大材料系與工研院在機器學習（Machine Learning）合作上，是應用人工智慧發展的一環，指的是讓機器「自主學習」並「增強」的演算法。透過迴歸分析，機器能從巨量數據中找出規律並做出預測，當輸入的數據越來越多時，演算法也會持續的調整並做出更精準的分析。機器學習在材料領域主要有三個方向：性質預測、材料開發、其他目標。例如本計畫所使用的機器學習方式，主要是從配方對性質做預測，未來也可以結合密度泛函理論(Density Functional Theory,DFT)或CALPHAD熱力學計算(Computer Coupling of Phase Diagrams and Thermochemistry, CALPHAD)，從結構或原子組態上做更原理性的研究。
模型架構
首先我們將手上的資料庫做彙整，建立屬於自己的資料庫與格式型態。我們採用多層人工神經網路的架構（Artificial Neural Network, ANN），將資料庫中的材料性質與成分比例做為特徵（Feature），當作機器學習的訓練集和測試集---以上為部分節錄資料，完整內容請見下方附檔。