從循環經濟看金屬材料研發案例(下)：材料世界網

黃爾文、吳祐豪 / 陽明交通大學材料系、李玟頡 / 國家高速網路與計算中心、賴宏仁、陳俊沐 / 工研院材化所

歷史上結構材料的關鍵突破

廣被使用的不鏽鋼最早於1913年，由英國的Harry Brearley在Sheffield建立其配方，其優良的性能迄今仍廣為使用，像是特斯拉最新的Cybertruck電動皮卡車即使用全不鏽鋼材質。但量產的突破，則是Krivsky於1954年，因為比對科學文獻的差異，並非有意以提升不鏽鋼產量與降低成本的研究目的，無意間藉由氬氣與氧氣的混合，降低了氧化鉻的反應，進而均勻的增進了鉻在冶煉過程中於不鏽鋼的含量。Krivsky意外的發現，大幅降低了不含氬氣的傳統製程的成本，如圖六引用自Krivsky的比較。

圖六、擷取自Krivsky著作『The linde argon-oxygen process for stainless steel; A case study of major innovation in a basic industry』的比較

因為在傳統製程中，鉻會被氧化，而需要在製程的後段另外添加含鉻且成本較鉻還要高一倍的鉻鐵(Ferrochrome)。但是，從實驗室規模的成功，到可以以15 噸規模生產的實踐，前後耗時超過了七年的時間。大規模的工業化生產，則在1967年，即實驗室發現的13年後才成功，而這項發明即是氬氧脫碳製程Argon–oxygen Decarburisation Process， the AOD Process。

這類型的創新，屬於圖四改編自Allwood等人所標記出值得重新設計的模式創新，和圖五改編自Dierk Raabe等人技術成熟度暨量產規模性左下角需要長期基礎研究積累的研發性突破。這類型的突破，因為其突破性的效益，高額的研發成本相形之下，轉化為收益極高的投資。惟研發的時程往往比小規模的研究要來得久。以下整理近來藉由人工智慧機器學習的資料處理和設備進步的快篩實驗，新興的高通量暨機器學習用於金屬配方與製程研發的回顧。

研發展望：高通量與機器學習於先進金屬的研發

筆者過去在材料世界網『從特斯拉2020年鋁合金專利展望車用材料研發』。整理過的業界案例包含研發Corrosion-resistant Alloy以應用於起落架的QuesTek，LLC、GE研發於飛機渦輪中應用的Low-rhenium Alloys和福特汽車公司的Virtual Aluminum Castings (VAC) Program。福特汽車公司的這個案例在當時就已經報導可以產生7:1的投資回報率(ROI)，並減少了15~25%的研發時間，以致做出更輕量化的引擎。以下則為近年更進階的案例。

例如，Tshitoyan等學者的團隊蒐羅了1922年至2018年間總計三百三十萬篇材料科學、物理和化學的期刊論文。相對於過去的逐字詳讀和反思，這個團隊刪去無法作為詮釋資料(Metadata)的資訊，得到一百五十萬篇的摘要。並進而預測出七大材料研究的種類，並且獲得證實。Tshitoyan團隊先依據從一百五十萬篇摘要中訓練出來的文字關係比對出：文章發表的材料就算原始研究者尚未理解此配方的最佳應用場域，但是如果文章中，具有特定語意(Semantic Relationship)，該配方材料就應該具有特定性質，進而推薦材料『適才適所』應用其最佳場域。這樣的機器學習(Machine Learning)，不僅處理天文數字的閱讀量，更突破了人類閱讀思考與實驗設計局限性的理解，進而跨領域的推薦已經存在卻尚未被應用的新材料配方。更多的回顧可以參考筆者發表於Materials Science & Engineering R的回顧文章『Machine-learning and high-throughput studies for high-entropy materials』。

圖八是筆者撰寫『Machine-learning and high-throughput studies for high-entropy materials』過程中，印象最深刻的結果之一。在撰寫文章的2021年，筆者首先閱讀到Jia Li等學者於2021年一月應用機器學習預測出非均勻晶粒效益強化高熵合金的論文。同年的八月，在Science閱讀到多層次晶粒效益的實驗結果。在筆者整理文獻的過程中，機器學習的預測早半年發表了高熵合金突破傳統Hall-Petch對晶粒尺寸強化的概念。

圖八、高熵合金的Hall-Petch關係與機器學習預測和實驗突破

另一個例子則是筆者在執行工研院計畫過程中，跨交大－工研院材化所－國家高速計算中心應用機器學習於製程優化的實例。圖九(a)是改變實驗參數(Speed、Power)之下，實驗數值的量測結果(W、H、D、Hardness)。圖九(b)則是利用模型預測，在效率極高的數值訓練下，可以高解析的得到性質與製程參數關係分佈，進而可以快速高效的節省實驗嘗試、成本與最重要的時間。