詹皓宇、劉子瑜／工研院材化所
由於大數據分析的興起，已有越來越多領域將大數據分析技術導入並有良好的成果，而材料領域中的大數據分析技術以材料資訊學(MI)最廣為人知。MI所使用的技術中，除了材料領域知識，資料科學方面主要可以分成數據收集、數據管理、數據分析及數據預測等部分，透過這些技術能夠有系統地處理大量的數據並從中獲取關鍵資訊，也已經有許多將MI的技術應用於材料開發及製程優化的案例。本文將簡介MI目前應用，以及其於陶瓷材料領域—陶瓷材料資訊(CMI)之技術整合與應用，包含國際上在陶瓷與玻璃材料領域應用MI的進展，最後提出目前技術發展所遇到的困難點及未來的發展方向。
【內文精選】
前 言
材料資訊學(Material Informatics; MI)所使用的技術中，除了材料領域知識，資料科學方面主要可以分成數據收集、數據管理、數據分析及數據預測四個部分（圖一）。材料性能受到材料的基礎物化特性（如：能階、氧化還原電位、熱力學性能等）以及顯微組織中的原子排列決定，其機理就像人體細胞裡的基因排列決定人體機能一樣，所謂的材料基因組可類比為「組分-結構-性能」之關聯關係；此外，材料所製作成的樣品/產品/元件性能也會受到實驗、製程參數以及環境的影響，實際使用上的材料性能所關聯的數據面向更廣。因此材料資訊學中，收集各種材料數據，包含模擬計算數據（如：量子力學、熱力學、動力學等）、實驗數據及經驗數據構成了多源異構的材料大數據，進行數據收集後，利用資料庫或其他方式做數據的儲存、管理與使用，後續再以數理統計、機器學習(Machine Learning; ML)等數據挖掘方法，用理論或數學模型去逼近和模擬數據進行材料的大數據分析，建立材料的知識庫與經驗關聯模型，從而預測或探索決定材料關鍵性能的材料基因組、配方或製程組合，以減少材料開發時間，本文後續將介紹MI之相關應用。
圖一、MI數據處理流程圖
而本文中除了對MI應用作簡介，另將著重於介紹MI的每項技術如何應用於陶瓷材料領域，即為陶瓷材料資訊學(Ceramic Material Informatics; CMI)。目前CMI應用已經有多個案例，包含尋找陶瓷的新特性、縮減陶瓷材料開發時間、優化陶瓷製程參數等。但是由於陶瓷材料與資料科學領域的極大差異，導致許多數據仍無法有效利用或成效不如預期，因此整合陶瓷材料領域與資料科學領域是值得探討的重要議題。
MI的應用
如上所述，MI的技術可以分成材料數據收集、數據管理、數據分析及數據預測，以下將會以不同材料相關的案例介紹其應用。
在大多材料數據都屬於稀疏數據(Sparse Data)的情況下，M. L. Hutchinson et al.的研究展示人工智慧(AI)中遷移學習(Transfer Learning)技術有效地解決稀疏數據的問題，其中利用已知的數據集獲得的資料給予另一個數據集驅動的模型建議，使稀疏數據能夠連續，同時也能保留不同數據集的量測差異。接著根據密度泛函理論中的能隙能量理論輔助預測實驗的能隙能量，結果以67筆能隙能量數據的預測比傳統337個實驗量測值的材料資料學更為準確。最後以MI加速配方開發上，J. Ling et al.運用AI中的Sequential Learning數據驅動模型，解決目標特性的材料配方開發及製程優化，且此模型將不確定度的分析資料加入模型訓練中，最終以機器學習方法找尋最佳配方平均比隨機的方法快上3倍，如圖四所示。
圖四、以五種方法尋找四種類型材料之目標疲勞強度(Fatigue Strength)所需樣本數比較表
CMI介紹
2. CMI的技術
如同前面所述，CMI是將MI的技術應用於陶瓷材料領域，透過陶瓷材料數據分析和預測能夠找出關鍵經驗模型，並進而達到加速陶瓷配方的開發、優化陶瓷製程、找尋新的陶瓷材料等。但是由於陶瓷材料為多段製程，數據的收集方法、格式都不相同，因此需要透過陶瓷材料數據收集和管理的技術，才能夠順利的分析與預測。以下將會以應用於5G通訊的陶瓷粉體材料為例，簡單介紹CMI技術如何以材料數據收集、管理、分析及預測與既有的陶瓷技術做整合。
工研院於MI/CMI技術的研發能量與未來展望
MI/CMI技術在國際上已發展至少5年以上，而MGI的發展更是成熟；但是在國內的MI/CMI技術尚未有較完整的案例，大多數情況也是如同上述提到的困難點一樣。工研院材料與化工研究所積極推廣MI相關領域，目前已建立一個屬於材料化工領域的AI平台—MACSiMUM（如圖八，網址：https://www.macsimum.org/index.php），以對材化領域研發人員友善的使用介面，秉持簡單、易學、好上手之初衷，藉由整合常用AI演算法，簡易圖形化操作介面，免除任何程式編寫情況，引領相關領域人員運用新工具，進行更有效率的研發工作…以上為部分節錄資料，完整內容請見下方附檔。
★本文節錄自《工業材料雜誌》407期，更多資料請見下方附檔。