顏志穎、林祐儀、黃天榮／工研院材化所
隨著運算能力的提升、人工智慧的崛起，機器學習在材料領域的應用呈指數增長，但實務上最關心的還是如何設計出符合目標特性的材料，也就是所謂的逆設計。因此，本文將機器學習應用於逆設計問題拆解成三個步驟，並輔以工研院目前的案例，演示實作材料開發、參數優化的簡單工作流程，提供新產品在性能設計、可製造性設計與可靠度設計上所需的材料參數，縮減新產品開發時程與成本。
【內文精選】
前 言
全世界的研究者都希望能藉由電腦模擬技術與實驗數據整合，以加速新材料的設計與分析，而其中的核心便是找出製程-結構-性質-性能之間的交互關係，以達到由目標性質/性能反推製程的能力，也就是所謂的逆設計(Inverse Design)。理論上，綜合上述技術進展足以攻克逆設計問題，但其所需的專家知識與計算資源過於龐大，導致實際投入的成本過大而讓人卻步，使模擬方法的應用範圍大為受限。
另一方面，電腦運算能力的提升也催生了另一個學科—人工智慧，又可更精確地稱為機器學習(Machine Learning)。與傳統模擬方法利用物理關係運算特定現象的做法不同，人工智慧只是單純地找出輸入資料與輸出資料間的映射關係，因為其運算大部分皆為可平行處理的矩陣乘法，所以具有速度快的優點，加上其資料驅動(Data Driven)的本質，往往能在尚未找到明確物理公式或極為複雜的材料系統中發現創新的模型。近年來，由機器學習相關發表論文數量呈指數成長的趨勢可以看出機器學習已成為材料領域設計與研究的新寵兒。材料領域的機器學習與MGI的概念是環環相扣的，本文以下針對機器學習應用於材料逆設計的方法作簡要的介紹。
材料逆設計
機器學習教父Tom Mitchell對機器學習的定義為：「對某任務T與其性能標準P，若電腦程式在任務T上以P衡量的性能隨著經驗E而改善，就能稱這個電腦程式從經驗E中學習」。依此邏輯展開，若想將機器學習應用於材料開發、製程優化等產業常見逆設計任務，我們可以將此內容分為三大步驟：①資料前處理：將材料的相關資訊表示成演算法能夠處理且不喪失資料內所蘊含資訊的格式；②預測模型建立：使用適合的演算法，透過學習將準備好的資料建立模型並準確預測材料特性；③設計參數最佳化：應用訓練完成的演算法並有效率地找到符合目標的材料特性。
機器學習應用於分子結構物性預測技術(ML-QSPR)
工研院材化所導入之ML-QSPR即是引入機器學習模型，能夠不受限於原先QSPR中人為定義之經驗式和調控參數，藉由機器學習能夠學習高維度資料空間的特性，進行分子結構物性的學習與預測。圖四為基於圖卷積網路(GCN)的ML-QSPR流程圖。如前面所述，在進行學習或是預測分子物性前，需要將分子結構轉換為電腦能夠有效讀取的形式，所以選擇採用簡化分子線性輸入規範(SMILES)將分子轉為使用字串描述其結構，如圖五所示。SMILES的轉換可以藉由轉換程式或是查找線上化學資料庫PubChem取得。
圖四、基於GCN架構之ML-QSPR流程示意圖
廢塑橡膠快速分類技術
塑膠回收中，為提高回收塑料的處理效率及再製品質，需要正確且有效率的判斷並區分不同種類的塑料材質。但現有光譜處理/比對軟體皆綁定於套裝軟體中，缺乏應用靈活性。工研院材化所使用拉曼光譜作為訓練資料，直接訓練分類模型進行決策。使用機器學習能大幅提高判斷處理速度，與人工判斷平均每張照片處理10秒相比，此模型可以將每張照片的判斷時間降至0.2秒(包含資料讀取、前處理、推論)，而達到即時分析並提高50倍產能的成果。
圖八、塑料回收分類模型驗證AUC達94%
工研院材化所人工智慧應用實例
透過機器學習的方法進行材料研發與逆設計，不只限制於尋找新穎材料，也可以對現有材料進行改質，同時因為能夠有效提升精準度與降低時間金錢成本，應用機器學習於材料與製程開發設計已經漸漸地成為主流趨勢。隨著人工智慧技術的進步，許多新穎的深度學習方法，如Transformer、對抗式生成網路(GAN)、增強式學習(RL)等都已被使用於上述的三個逆設計研發步驟之中，同時也催生了虛擬高通量篩選(Virtual High-throughputScreening)、量測資訊學、分子資訊學等新興的研發方法。除了在材料逆設計上的應用，工研院材化所全面導入各種機器學習應用(見圖十一)，其中核心概念皆與三個逆設計研發步驟相似。若能依照…以上為部分節錄資料，完整內容請見下方附檔。
圖十一、工研院材化所人工智慧應用實例
★本文節錄自《工業材料雜誌》415期，更多資料請見下方附檔。