數位孿生與生成式AI的深度融合：日立PISAI技術引領先進材料製程革命

鄒庭葦 / 日立先端科技股份有限公司；劉子瑜 / 工研院材化所

在先進材料（如鋰電池、高階半導體材料）的開發過程中，傳統的實驗設計(DoE)面臨參數維度過高與研發成本高昂的挑戰。日立(Hitachi)開發的「製程改善支援AI (PISAI)」不僅結合了材料資訊學(MI)與製程資訊學(PI)，更導入了生成式AI技術，解決了傳統資訊學僅能優化既有參數（建議新配方或參數，「增加列」），而無法提出全新材料或工法（增加新材料開發數據特徵，「增加欄」）的限制。本文深入解析PISAI的核心技術：透過整合公共文獻與私有實驗數據，並結合電子顯微鏡(SEM)影像進行「中間工程量測(Intermediate Measurement)」，實現在製程早期預測最終產品性能。測試結果顯示，透過影像特徵提取技術，預測精準度(R2)可從0.61提升至0.95。此技術將縮短研發週期，協助製造業跨越從實驗室到量產的「死亡之谷」。

【內文精選】

超越泛用型AI的材料革命

在探討日立(Hitachi)的製程改善支援AI (Process Improvement Support AI; PISAI)之前，我們必須先釐清工業界對於AI導入的常見迷思。市面上的一般泛用型AI (General purpose AI)，雖然具備強大的文本生成能力，但在面對極度要求物理化學精確度、且容錯率極低的先進材料開發時，往往會產生不切實際的幻覺(Hallucination)，給出無法在真實產線落實的參數。日立的技術架構之所以能受產業界信任，正是因為它並非盲目追逐純粹的生成式AI，而是建立在其發展已久、極度精確的「傳統材料與製程資訊學(MI/PI)」的厚實基礎之上，進而發展出的「進化加強版」。

1.高精度優化的極致：日立MI/PI的深厚底蘊

日立的材料資訊學(MI)與製程資訊學(PI)在處理既有數據域的優化上，已展現出極高的精確度與成熟度。如果將研發數據集想像成一個資料表，日立的PI技術能夠非常精準地在已知的變數框架內（例如：現有的混合轉速、溫度、壓力等條件），學習並建立高精度的預測模型。在這個範疇內，系統能精確推算出最佳的參數組合，將既有製程的良率與性能推向極致（即傳統數據庫中「增加列」的優化）。這種基於真實物理與實驗數據(Private Data)淬鍊出的演算法，是一般泛用型AI無法企及的工業級底層邏輯。

2. PISAI的跨維度進化：在「未知領域」的創新探索

然而，先進材料的開發有時會面臨突破性的挑戰—例如當研發團隊需要開發一種「前所未有」的高分子薄膜，或是導入一種全新的無機填料時，企業內部可能面臨「完全沒有歷史數據(No Data)」的未知狀態。這正是PISAI作為進化版技術發揮關鍵作用的時刻。PISAI為原本極度精密的MI/PI系統，賦予了探索未知維度（即「增加欄」）的強大能力（圖一）---以上為部分節錄資料，完整內容請見下方附檔。