材料產業AI技術應用方向與未來技術發展

 

刊登日期:2020/1/8
  • 字級

張哲銘/工研院材化所
材料產業AI技術應用
人工智慧(Artificial Intelligence;AI)近年來受到演算法與硬體計算效率突破性發展的影響,已經被廣泛應用於生活中的各種領域中,例如自動駕駛、醫療照護、社群媒體等等,而在材料領域的應用大致上可分成兩種,分別是系統智能化監測控制以及材料設計與配方優化,如圖一所示。其差異性在於資料型態的不同,以系統智能化監測控制來說,輸入資料為原料組成、感測器即時資料以及可操作製程參數等,因這些資料大多已經結構化,只要經過資料清理後,即可進行AI數據模型的訓練。而對於材料設計與配方優化來說,主要資料可能有材料分子結構、配方組成、結構檢測資訊或是可操作的實驗條件等,其中材料分子結構或結構檢測資訊屬於非結構化資料,因此在進行AI數據模型訓練前,必須先從非結構化資料中萃取重點的特徵,將其轉化為結構化資料,方可進行模型訓練。
 
AI機器學習主要是將無法以理論模型描述的複雜關聯性,改以線性或非線性的數學模型進行描述,而為了以合理的數學預測模型描述特性彼此間的關聯性,資料的質與量皆非常重要,同時機器學習與傳統的理論模型或統計手法最主要的差異在於其可跨尺度的將整個系統的參數進行整合,同時可導入專家知識,使其預測模型兼具高準確性與合理性。
 
圖一、材料產業AI機器學習應用
圖一、材料產業AI機器學習應用
 
AI模型訓練與應用
一般來說,AI在產業上的應用可以分成兩個步驟,首先必須先以歷史資料進行預測模型的訓練,待預測模型準確度收斂或符合需求後,才會進入至第二步驟,也就是模型應用及部署(Model Deployment),根據應用領域與方向不同,模型應用與部署方式也會有所差異。
 
AI模型訓練流程如圖二所示,依據不同的資料型態,需要進行不同的資料前處理手法,例如材料分子結構與TEM微結構影像的特徵萃取與處理流程就會不同,待將資料轉換為電腦可讀之結構化資訊以及不合理資料剃除後,則會進入到特徵工程裡。所謂特徵工程是針對模型輸入特徵(Input)進行關聯性分析,透過分析結果了解特徵彼此間的交互作用以及對於輸出特徵(Output)的影響權重,作為後續機器學習模型優化的參考依據。之後,才會依據應用需求選擇不同的機器學習演算法,並進行演算模型的超參數(Hyperparameter)優化。超參數會直接影響到預測模型的效能,因此須不斷的修正演算模型超參數,來使預測模型效能收斂,完成模型訓練流程。  
   圖三、製程控制模型應用流程範例
圖三、製程控制模型應用流程範例
 
建立好預測模型後,接下來即是如何以該模型進行實際應用,而根據應用目的不同,模型部署的方式也會有所差異。如同本文第一段所說,材料領域的AI應用可大致分為系統智能化監測控制以及材料設計與配方優化兩種;圖三即是以製程控制為應用需求的模型部署流程範例。一般而言,在材料生產系統端導入AI的目的是希望在產物品質或設備狀態上進行監控,因此AI模型需要以當下的感測器即時資料提前預測未來某個時間點之設備狀態,當發現設備狀態超出控制安全值的上下限時,則會觸發自動化製程參數預測與調整機制,即時反饋建議操作值,使設備狀態回復至控制安全值內。在材料設計與配方優化應用上,主要目的是希望取得具有更佳特性之材料或配方,因此AI模型部署流程範例如圖四所示;透過---以上為部分節錄資料,完整內容請見下方附檔。

分享