蔡宜良編譯
繼實驗科學、理論科學、計算科學之後，被視為第四科學的資料科學近年來有非常顯著的發展，預期今後將會整合此類型工具進行材料物質科學的研究。本文將重點回顧近年AI、機器學習等運用在材料開發的研究動向及今後發展所可能面臨的瓶頸。
前言
2009年微軟發行了「The Fourth Paradigm」，提倡資料驅動科學是繼實驗科學、理論科學、計算科學之後的第四科學，並提出由大數據出發、模型辨識、知識發現、假說生成(以及資料驗證)的驗證途徑方向。
2011年，美國在歐巴馬總統時期開始了材料基因組計畫( Materials Genome Initiative; MGI )，並打出了「材料開發週期和成本減半」的口號，彷彿是預見了隔年出世的深度學習等變化。當時的MGI白皮書中，只有記載活用數據資料是重要的，對AI、機器學習，甚至資料探勘( Data Mining )都無隻字提及。
同一時期，資訊科學領域的深度學習開始受到注目。2012年，Google讓人工智能(AI)進行1,000萬張照片的「無師學習」，成功辨識了貓。接著在2012年大規模圖片辨識競賽(ImageNet Large Scale Visual Recognition Challenge; ILSVRC)中，來自多倫多大學的隊伍以壓倒性的辨識率創下紀錄。在這兩次深度學習帶來的威力下，展開了第三次AI風潮，AI這個名詞也開始廣為世人所知。2015年的相同競賽中，在圖像辨識的特定任務上，已達成超越人類的精度水準。
經由以上契機與GPU等硬體相當程度的進展，各個領域的科學技術開始評估機器學習和深度學習運用的可行性。日本科學技術振興機構(JST)的研究開發戰略中心( CRDS )，過去發行數篇相關報告書，分析調查技術動向。
AI在材料領域，具有以下使用動機：
1. 廣大物質空間(Design Space)的探索
2. 高度化機能的需求(複數機能、相反特性的並立)(表一)
3. 解開元素組成、相、結晶、組織構造、製程等多尺度(微觀到巨觀)、多物理場( Multiphysics )的機制。
材料物質研究除了在初始階段使用貝葉斯推斷和機器學習外，近年來在研究方法中加入深度學習的例子也逐漸增加，以下將進行研究動向回顧。
研究動向
有關AI在材料物質研究的運用現況，可分為「虛擬高通量篩選( Virtual High-Throughput Screening )」、「量測資訊學」、「分子資訊學」三個部分，以下將重點介紹各國研究團隊的最新研究成果。
1. 虛擬高通量篩選( Virtual High-Throughput Screening )
指在廣大的物質空間中，可高效率找到目標材料的方法。初期的研究題目為「發掘熱力學上安定的材料以及預測該結晶構造」、「多定量變數架構中的特性關聯」、「機器學習帶入第一原理計算法的置換(機器學習帶入第一原理計算結果後的預測)」。在結晶構造預測上獲得普遍信賴的第一原理計算和其他量子力學的誕生，加速了發掘新材料方法的進步。以下將列舉近年的實際案例。
(1) CO2轉換觸媒中，眾所皆知銅是可轉換為乙烯的觸媒。2020年多倫多大學和卡內基梅隆大學組成的研究團隊，使用AI為CO2製造乙烯提出了銅-鋁電極觸媒的最佳方案2。在美國能源局的支援下，使用Materials Project(第一原理計算資料集)架構，對銅製的非反應性合金檢索。以挑選出的244個結晶作為出發點，利用機器學習和主動學習(Active Learning)的框架，學習12,229個微觀特徵(組成和表面構造等)。演算法預測出最佳的鋁和銅的比例，以及兩個金屬的均勻混和程度。
研究團隊利用Nørskov的火山圖表示法，將密度泛函理論計算之候選材料的CO2重組反應的活性(圖1-(a))和選擇性(圖1-(b))作圖。可看到CO吸附能量接近−0.67eV、H的結合能量在−0.5eV以上時有高的CO2轉換活性；而H的結合能量需在−0.2 eV以上，可達到良好的CO2選擇性。
圖一、銅和銅基化合物的電腦篩選方式 (a) CO2轉換活性二維火山圖；(b) CO2轉換選擇性二維火山圖；(c) DFT計算結果的t-SNE圖；(d)群組的點位示意圖
以t-SNE圖形將密度泛函理論計算的吸附點位視覺化，可看到銅-鋁合金具有最多樣的吸附點位和接近最佳的∆ECO數值。研究者根據數據，判斷銅含量較鋁含量高的比例可能具有較佳的CO2轉換率。根據這些預測，將篩選出的4種材料進行合成後，再將結果回饋給演算法。於此之前，新觸媒的選定、物性測量到成果公開，需花費3年時間。
(2) 既有合金(例如鋼鐵材料)中，可在特定金屬中添加相對少量的金屬元素實現高機能化。含有5個以上相近原子量元素的高熵合金(HEA)研究近年受到關注，成為一個較新的領域。2019年理海大學( Lehigh University )等研究團隊將含有電子顯微鏡實驗工具和機器學習做組合，收集在高熵合金所觀察到的行為和關聯的物理機制解析。以82個高熵合金的機械特性資料、多元回歸分析和基因演算法，對多主成分合金進行效率篩選，其中2個合金成分以電弧熔煉製造後，在微小硬度試驗中，驗證出具有---以上為部分節錄資料，完整內容請見下方附檔。