林豐震、林祐儀、黃天榮 / 工研院材化所
面對研發時程壓縮、合規與減碳要求升高，且材料設計空間龐大的現實，單靠試錯法往往難以兼顧速度與成本。我們提出的「AI材料設計流程」，重點在於把研發工作流程化並可迭代：以基礎物性資料庫支撐資料較少的起步階段，先建立可量化的單一物性預測能力，再在需要新型結構發想時導入結構逆設計，並以驗證結果回饋資料形成研發循環。其效益可歸納為三點：①降低無效試錯法輪次，先算再做、先收斂方向再投入試作；②資料少也能起步且可擴充，隨著新數據回饋逐步提升精準度；③把新結構發想變成可操作的工作流程，由目標物性導向探索候選結構。進一步而言，該流程未來亦可能延伸到更多物性模型、導入多目標取捨與限制條件導向的逆設計，或結合主動式學習以更少實驗換取更高模型增益，持續降低試錯法成本並縮短研發週期，同時也能讓企業逐步建立可重複、可追溯的研發決策機制，將AI從一次性的專案工具，轉化為長期可累積的研發能力資產。
【內文精選】
從預測到逆設計：以Tg為例的流程示範
在塑橡膠配方與材料選用上，玻璃轉移溫度(Tg)之所以常被拿來當作示範物性，關鍵在於它直接牽動材料在使用溫度區間的剛性、韌性與黏彈行為，也會連帶影響加工條件，例如成型溫度窗口、流變表現與尺寸穩定性等。從定義上，Tg對應的是材料由較為「玻璃態」走向「高彈態/橡膠態」的轉變溫區，材料性質會在此附近出現明顯改變。也因此，若能把「分子結構(SMILES) → Tg」的關聯先用ML-QSPR建立起來，後續不論是快速預估、配方方向收斂，或進一步導入結構逆設計提出新型結構發想，都能把試錯法的範圍縮小到更可控的尺度。
1. 材料物性快速預測
本案例先以「未知Tg的候選分子」為情境，展示ML-QSPR在研發早期最直覺的價值：把原本需要逐一合成與量測，或仰賴經驗估算的工作，前移到模型端先完成第一輪篩選。以測試案為例，將43個待評估分子的SMILES匯入已訓練完成的模型，即可在10分鐘內產出各分子的Tg預測結果（圖六），讓研發人員能先用ML-QSPR完成候選盤點，再把實驗資源集中在更有機會命中規格的方向。
圖六、未知分子玻璃轉移溫度預測
3. 材料AI逆設計技術
當Tg的ML-QSPR模型具備一定準確度，且研發需求不只是「在既有候選中挑選」，而是希望由目標物性出發提出新型結構方向時，即可銜接Mol-infer進行結構逆設計。Mol-infer的概念是以「種子圖(Seed Graph)，結構搜尋的起始點」，搭配「邊緣集/邊緣樹(Fringe Set/Trees)，結構搜尋的方向與可掛載官能基/側鏈集合」來引導生成候選結構，使生成結果更貼近需求。
在演示案例中，我們將目標Tg設定為500 K，並以7種不同種子圖作為起始結構；結果顯示其中5種種子圖可成功達到Tg = 500 K的目標，最終產生11種不同的結構組合（包含異構物），結果如圖八。這些候選可作為後續研發的結構發想來源，並回到實驗或更高階模擬驗證，再將結果回饋至資料庫中，以利後續模型與逆設計能力的持續擴充---以上為部分節錄資料，完整內容請見下方附檔。
圖八、玻璃轉移溫度Tg逆預測結果
★本文節錄自《工業材料雜誌》471期，更多資料請見下方附檔。