在製造現場中，量子電腦的應用開始逐步擴大。相較於 IT、金融、通訊、物流等產業，目前製造業在量子電腦的導入方面略顯落後。其中原因在於製造業仍有許多作業環節高度仰賴人的經驗判斷

 量子計算驅動新一代製造，加速材料探索與企業創新

在製造現場中，量子電腦的應用開始逐步擴大。相較於 IT、金融、通訊、物流等產業，目前製造業在量子電腦的導入方面略顯落後。其中原因在於製造業仍有許多作業環節高度仰賴人的經驗判斷，並存在大量難以用數學式表達的問題。然而，近年量子技術快速發展，越來越多製造企業開始探索其在事業中的應用，促使情勢逐漸改變。量子電腦以其傳統電腦難以實現的計算能力，在提高生產現場效率、新材料開發、加速模擬運算、供應鏈最佳化等廣泛領域，被視為解決製造業挑戰的新手段而備受矚目。量子計算主要有兩種方式，包括著重於最佳化問題的「量子退火」( Quantum Annealing ) 方式，以及能進行通用計算的「量子閘」( Quantum Gate ) 方式。量子退火方式的開發起步較早，能處理規模龐大的產業應用問題是其一大特點，目前已有多項產業逐步導入---《本文節錄自「材料最前線」專欄（作者：材網編輯室），更多資料請點選 MORE 瀏覽》

 文獻驅動之耐火材料資訊學：加速耐火材料配方設計之研究

本研究旨在運用機器學習預測先進冶金耐火材料（如鎂碳系與鋁鎂系）之性能，以取代傳統耗時且成本高昂的試誤法，進而提升製程可持續性。研究團隊蒐集公開文獻的配方資料，並選用能有效處理缺失值的XGBoost回歸模型(XGBR)進行分析。針對資料不完整的問題，配方缺值以「行業平均值加微量雜訊」填補，製程欄位則保留空白以避免產生錯誤約束。實驗鎖定預測抗彎強度(MOR)與常溫抗壓強度(CCS)，並比較資料量由29筆擴充至50筆的影響。結果顯示，資料擴充使對材料異質性敏感的MOR模型穩定性下降；相反地，CCS模型的準確度與泛化穩定性則隨資料量增加而顯著提升。此研究證實了以AI與公開資料驅動耐火材料開發的可行性 ---《本文節錄自「工業材料雜誌」474期，更多資料請點選 MORE 瀏覽》