吳嘉恆、官鈺庭、王鼎翔 / 工研院材化所
近年因環保意識提升與國內產業轉型，表面改質技術重心已逐步從傳統之電鍍硬鉻、滲碳、氣體及離子氮化等表面改質製程，演進到較環保且低溫製程之物理氣相沉積技術。但由於國內先進精密製程應用日漸廣泛，且各大廠商之材料特性需求也不盡相同，傳統試誤法已無法負荷。為了減少試打樣所需之時間及經濟成本，工研院材化所以大數據分析及AI智慧技術導入，在合理範圍內推測參數調整之實際應用效果，其具體成效將可為業界提供即時數據預測，大幅縮短材料開發時間與成本。
【內文精選】
物理氣相沉積技術的發展
物理氣相沉積(Physical Vapor Deposition; PVD)一般泛指以物理機制在真空環境中將固相材料蒸發至氣相後，沉積在工件上形成薄膜或塗層的技術。其中氣相物質可以通過多種方式產生，大致有熱蒸發、離子濺射、電子束、雷射及電弧等；依照蒸鍍方法可以分成濺鍍製程、蒸鍍製程與離子鍍膜製程，不同種類製程擁有不同優缺點，並廣泛的應用在各個領域。
AI技術應用於物理氣相沉積
在鍍膜研究中，也有人透過AI技術來分析石墨烯薄膜的分布狀況。由於石墨烯薄膜包含大量晶界，而這些晶界會影響石墨烯的物理化學性質(如機械拉伸強度、導熱性和導電性、抗氧化性等)，因此鍍膜的製程參數對於產生出來的石墨烯薄膜分布有很重要的影響。透過將製程參數(加熱溫度、加熱時間與鍍膜時間)與產生出來薄膜的尺寸、覆蓋率、密度和縱橫比的數據帶入到機器學習，以推斷製程參數與測量規格之間的相關性。經由使用生成對抗網路(GAN)模擬石墨烯生長，找出合成高質量石墨烯薄膜的最佳製程參數，從而節省大量的時間與成本。
工研院材料與化工研究所透過材料設計優化智慧平台(MACSiMUM)上的AI功能，進行物理氣相沉積對抗腐蝕強度特性的建模。過去物理氣相沉積實驗的研發設計，皆是以傳統試誤法憑經驗累積去調整參數，再將成品送到外面機構量測抗腐蝕強度(來回時間需要數星期至數月)，而隨著加工刀具或是加工物件的強度與精度不斷提升，所要求的特性區間也越來越窄，造成研發所花的時間與金錢成本不斷上升。因此，想要透過AI技術協助分析鍍膜製程參數與特性的關係，以加速實驗人員研發的速度，也減少特性送測所花的成本。
整體AI導入流程如圖三所示，從定義問題開始，經由數據收集、數據管理、數據前處理、建立機器學習模型、分析與預測數據和解決問題等流程。定義問題主要是要確定整個AI專案執行的目的，以本案為例，是想知道物理氣相沉積中的製程參數對於鍍膜品質的影響，因此會將鍍膜中的製程參數與結果作為特徵輸入，而成品送測的耐腐蝕特性則作為目標輸出，並依此架構進行實驗參數的數據蒐集流程。數據蒐集主要是透過實驗人員的知識與經驗，從原物料與製程參數中篩選並蒐集相關特徵因子，待蒐集完成後為了方便管理，導MACSiMUM平台中的電子資料庫系統，透過電子平台記錄與管理數據，未來可以提供實驗人員系統化的技術相關參數，並使技術細節與製程經驗留存，往後也能夠發展成表面改質製程可參考之技術資料庫。數據前處理是對資料進行處理跟調整，避免模型因為資料產生的瑕疵而誤判，因此包含做資料探勘、材料名稱轉換與系統分類的動作。
圖三、物理氣相沉積技術AI導入流程圖
後續未來應用如圖六，實驗人員可以透過此模型確定目前實驗參數對應元件上抗腐蝕特性的結果，大幅減少送測所需要的等待時間與金錢成本。
圖六、未來應用
工研院應用AI技術在金屬異質鍍膜的研發能量與未來展望
工研院材化所於近年開發出可穩定量產，且膜層硬度達2,800 Hv、厚度約3 μm之TiN陶瓷材料離子鍍膜技術。相關表面改質鍍膜技術皆已於各類產品進行運用，並針對不同領域產品進行進一步開發。其中利用陰極電弧離子鍍膜技術(CAPVD)製備之硬質塗層，由於其鍍率快、離子動能高及離子解離度高等特性，製備之膜層有良好的機械性質及附著力，可廣泛應用於更高階之產品---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》434期，更多資料請見下方附檔。