李涵榮／工研院材化所
材料的篩選或是新材料的開發在元件應用上扮演革命性的角色。過往篩選適當的材料或是開發性質更好的新材料都是利用已累積的經驗，先在經驗範圍內做推測，然後再以實驗利用試誤法進行驗證。此種方式不但費時費力，且需要很大的成本。為了縮短材料研發的時程並降低成本，導入模擬及機器學習已成為材料研發的趨勢。機器學習的效果取決於學習的資料量以及資料在預設的變數空間裡之覆蓋率。很幸運地，目前世界上已有多個機構正在建立大量且多變異性的材料結構及其相對應性質之材料資料庫，可作為材料機器學習之用。除了以機器學習預測材料特性外，逆向篩選的技術也是一項重要的環節，俾研發者能因應某項應用所需之材料特性範圍，直接篩選出新材料結構，以大量減少新材料的開發時程及成本。
【內文精選】
前 言
新材料多半是在偶然或反覆試驗中被發現。例如，在19世紀，藉由隨機的化合物混合製備過程中，觀察到用硫等添加劑加熱可提高橡膠的耐久性而發現硫化橡膠。後來才在分子維度上，發現各個高分子鏈相互交聯，因而增強其機械性能。其他值得注意的例子包括：Teflon、麻醉劑、凡士林、Perkin紫紅色和青黴素，也都是人們在實驗中意外發現的新材料。隨著量子力學的理論被提出，以及計算資源效能的大幅提升，人們可透過求解多體的薛丁格方程式，得到材料內各原子的位置及電荷密度分布，進一步得出聲、光、電、磁、機械等性質。由於不必透過實驗的方法，人們便開始利用此理論大量計算各種材料的基本性質來開發新的材料，雖然在理論及實際預測上獲得巨幅的成長，但面對數以億計的材料分子組合，在有限的計算資源下，要計算出各種組合仍是不可能的。
機器學習近年來被廣泛地應用在各種領域，因其在資料探勘上有顯著驚人的效果。因此，人們也開始引進機器學習(ML)的技術來加速材料的探索與開發。ML技術常用於材料屬性的預測，利用機器學習模型(例如：類神經網路、隨機森林、支持向量機等)學習大筆已知的分子資料，便可將分子結構映射到所對應的材料性質。另外也可利用大量的數據，從中提取表徵分子的平均特徵和獨顯特徵。除此之外，逆向設計也是材料設計領域中最具發展性的一個部分。在過去，人們一直都是透過實驗或是計算來得到材料的特性與性質，而逆向材料設計是由所需的性質開始，尋找理想的分子結構。此時輸入是性質，輸出是結構。性質不一定映射到一個獨特的結構，而是映射到好幾種可能的結構。逆向設計如圖一所示，其使用優化、採樣和搜尋方法來找出化學空間中的性質和結構之對應。
圖一、正向設計與逆向設計之比較
電解液特性預測模型建立
對鋰電池而言，電解液裡的有機溶劑分子主要功能是攜帶鋰離子於電解液中在正負極間移動，但卻不希望有機溶劑分子會與任一電極發生反應，產生SEI膜而消耗電容量。由於目前商用的溶劑分子(EC)在負極表面附近的反應是一連續的複合反應，且會分裂成小分子，使得SEI不斷產生，造成不穩定的介面。解決辦法為使用添加劑，選擇合適的添加劑分子，其具有較溶劑分子更易於與電極發生反應的性質，並且產生穩定的SEI膜，阻絕溶劑分子與電極表面發生反應，進而提升鋰電池效能。而分子的電子能階HOMO及LUMO可用來判斷電解液與電極的反應性(如圖二及圖三所示)，因此，根據上述原因，未來能使用在高電位電解液之溶劑分子必須具有相較於EC更寬的能隙，意即更低的HOMO與更高的LUMO，而分子的電子親和力(EA)以及游離能(IE)與HOMO和LUMO有線性關係，因此我們以量子力學模擬的分子電子親和力以及游離能為目標來進行學習。
分子結構改質及目標特性逆向篩選
為了實現分子改質且快速預測其目標特性，本研究團隊開發快速分子結構改質及目標特性逆向篩選模組，只要使用者給定欲改質的基底分子與官能基種類，並設定期望的目標特性範圍，便可篩選符合目標特性的可能改質分子結構。分子改質的部分如圖七所示，可以看到…以上為部分節錄資料，完整內容請見下方附檔。
圖七、分子改質流程圖
★本文節錄自《工業材料雜誌》415期，更多資料請見下方附檔。