半導體材料數位雙生研究室

 

 

■ 技術核心

本研究室致力於開發可應用於材料科學與產業領域的數位相關技術，包含模擬、AI/GAI 與數位雙生技術應用。透過AI 平台MACSiMUM(https://www.macsimum.org/) 及其他數位工具，我們提供可供產業應用的AI 工具與人才培育服務，涵蓋材料設計模擬、製程數據分析，以及模型供產品測試驗證，並同時支援線上與線下應用。我們的服務內容包含平台服務、研究專案、App（模型與材料設計資料庫）以及專業人才培訓課程，旨在降低材料製造業進入智慧化資訊技術領域的門檻，將材料開發從「經驗驅動」轉型為「數據驅動」，協助國內材料製造商導入資料驅動的研發模式與思維。透過提供整合式解決方案，依需求提供相應的技術支援與協助。

 

此外亦專精於半導體材料領域知識與理論建模，提供化合物半導體與基板材料虛擬對應體模型，提供半導體基板材料從數值模擬建模、製程參數虛實映射、材料行為趨勢預測之能量。且配合AI 最佳化平台，跨尺度整合資料驅動與AI 智慧化研發，建立數位化設計材料虛擬對應模型並導入實際場域應用，加速化合物半導體與新基板材料開發/ 製程優化。

 

■ 技術特色

   ▶ 提供操作簡便的機器學習工具，讓使用者無需撰寫任何程式碼 (No Code)，即可快速將其應用於實際
      場域與產業情境中

   ▶ 將傳統的製程參數管理進行數位化，並轉化為高附加價值的資訊應用，以最大化研發與開發效率

   ▶ 結合材料化學、化合物半導體領域知識、材料模擬技術、人工智慧以及其他數位設計技術，並融合資

      料科學的專業知識，提供客製化的整合式解決方案，協助企業推動數位轉型，全面提升其競爭力

 

	真實世界中，由於物理現象從不單獨存在。藉由多重物理量耦合模擬(Multiphysics Simulation) 技術，能突破傳統單一物理場分析的侷限，精準捕捉熱能、結構、流體與電磁場間的複雜交互作用。在設計初期即識別跨領域的潛在風險，將看不見的物理連鎖反應轉化為可視化的優化數據，確保產品性能一次到位。
	MACSiMUM 平台建置多個材料「電子資料庫」，用以儲存各類蒐集而來的材料相關數據，並將其轉換為可供機器讀取的數值化形式。這些資料庫可用於協助相關產業導入機器學習技術與應用。平台案例中整合了從原子尺度的理論計算、介觀尺度的微結構分析，到巨觀的製程參數等多源數據 。我們將實驗數據、文獻資料與模擬結果標準化並匯入資料庫，解決了過往數據零散、難以再利用的問題。
	團隊結合材料科學領域的專業知識與實務經驗，針對目標問題規劃最佳解決方案，並透過統計分析及「機器學習工具（包含順向預測與最佳化模型）」對直接蒐集的數據或既有資料庫數據進行分析，建立專屬的AI 模型，以有效滿足目標需求。同時，所有數據與分析結果皆以「視覺化圖表」方式呈現，即使是完全沒有AI 經驗或資料分析背景的使用者，也能在短時間內快速理解所有關鍵資訊。一旦專屬的AI 模型建立完成，即可依據預測結果進行配方模擬、輔助商業決策，或提供設備操作建議，以達成加速產品開發、優化配方設計、降低成本，並實現節能與減碳的目標。
	不同於一般的數據分析，我們強調材料領域知識(Domain Knowledge) 與資料科學的結合。透過特徵工程與機器學習演算法，平台能從複雜的數據中挖掘出材料組成、結構與性能之間的隱性關聯(Structure-Property Linkage)，為新材料設計提供精準的導航。並著重由「虛」領「實」的開發流程，以「虛擬實驗」取代高昂實體試錯，採用數值模擬結合AI 機器學習，建立與實體製程高度對應的「數位雙生」系統，以縮短材料研發週期。

■ 技術應用

建立 AI 模型以進行資料分析與預測，並將結果以視覺化方式呈現
從微觀的基礎材料物化特性、材料微觀結構與到巨觀的計算流體力學，解析其材料行為，設計能運用在材料開發的材料描述符和數據清整分析能量、AI 模型與資料庫平台，利用數據驅動研發模式加速材料開發進程。核心能力包括運用模擬計算整合材料設計、利用機器學習模型進行配方與製程參數優化，包含預測材料性能（如抗壓強度、熱導率等），反向推導最佳配方與製程參數等應用。將研究人員的實驗數據進行紀錄並透過資料庫進行管理，進一步運用機器學習建立模型，以輔助材料性質模擬，快速進行新材料設計與配方參數最佳化，加速新材料的研發進程。資料分析與預測結果以視覺化圖表方式呈現，讓使用者能直觀掌握分析成果，並依據預測建議進行決策。
材料 AI 應用案例─取得材料領域的專業知識
MACSiMUM 平台目前已建置>20 種不同的材料AI 應用案例，提供材料領域的專業AI 導入模型，作為相關應用與研究領域的重要參考依據。同時，亦可針對特定產業或應用領域建立專屬的電子資料庫，以提升資料管理效率，並利於後續AI 數據分析與應用。（材料類型包含：環氧樹脂、玻璃加工、混凝土、粉體材料、隔熱複合材料、高硬度耐蝕異質材料、HPSI、LTCC材料、ZTA 材料等。）
以「虛擬實驗」取代高昂實體試錯，突破寬能隙半導體開發瓶頸
在高難度的長晶製程中，團隊運用多重物理量模擬（COMSOL）結合AI機器學習，建立「數位雙生（Digital Twin）」系統 。這套系統能模擬長晶爐內的熱場、流場與質量傳送，預測不同粉體參數（粒徑、比表面積）對長晶速率與應力的影響，若導入後段處理後之晶圓特性，可完整關聯製程參數與缺陷分析（如微管、多晶生長）。透過AI 模型，研發人員可以在虛擬環境中進行成千上萬次的「虛擬實驗」，快速找出最佳長晶參數（如溫度梯度、物種濃度的比例）。應用此研發策略不僅大幅降低了實體實驗的高昂成本，更可將材料研發週期縮短一半以上，真正實現以數位算力換取研發速度的戰略目標，利用虛擬實驗大幅降低高階半導體材料的開發門檻。
結合原物料價格資訊與碳排放係數，進行碳足跡與成本預測應用
傳統的材料設計方法依賴經驗豐富的操作人員進行的實驗，需反覆試驗程序、大量的時間及資源投入。利用機器學習方法，加速預測成品材料特性及優化混合物配方，克服原料變異性大、傳統上耗時及節省大量實驗數據設計的資源成本問題。尤其應用於高值循環材料開發，可協助解決循環料源不同批次不一，成本過高，以及需要減低碳排等多重目標需求。

 

工研院材化所 X200 材料數位雙生研究室

Digital Twin Laboratory for Semiconductor Materials