人工智慧與材料科學: 114年 MRS-T 年會

人工智慧與材料科學:  114 年 MRS-T 年會

AI 在材料科學應用 (ChatGPT 製作)

材料科學是現代科技的基礎，推動半導體、超導體、電池和奈米材料的進步。這些領域面臨兩大核心挑戰：多體系統的複雜性，以及材料組成和結構的巨大可能性。

人工智慧 (AI)，尤其是機器學習 (ML)，已經成為應對這些挑戰的變革工具 : 做出預測、指導實驗和揭示新的物理現象。

1.  AI 對材料研究的重要性

挑戰：預測材料特性需要解決量子多體問題，而對於大型系統而言，計算通常很困難。

可能的材料組成與結構極為繁多，組合海量使得反覆試驗的設計效率低。實驗表徵會產生難以分析的多面向、富有雜訊資料。

AI 擅長複雜、多面相資料中的模式辨識、計算量大的計算的快速近似以及在材料發現流程的最佳化。

2. AI 在材料科技的應用

A. 預測特性: AI模型學習材料結構、成分與特性之間的關係（結構-屬性關係）。範例包括預測電子能帶結構和能態密度、估算熱、光學或機械特性、預測超導轉變溫度等。如機器學習模型透過學習已知數據並提出測試參數空間之外的有前景的化合物，預測了新的潛在高溫超導體。

B. 發現新材料: GAI 可以設計具有所需特性的假設材料。能逆向設計，指定目標特性並讓AI提出候選結構。以及篩選資料庫（例如，材料項目、OQMD）比從頭計算快。如人工智慧提出了新的鈣鈦礦太陽能電池材料，其預測效率高於迄今為止實驗發現的效率。

C. 相圖映射: 材料科學通常涉及豐富的相圖（例如超導相、磁相、拓樸相）。 AI 可以幫助從實驗或模擬資料中識別相邊界，當傳統相變階次參數不明確時對相變進行分類以及發現強相關系統中的隱藏或湧現階段相。

如在蒙特卡羅資料上訓練的神經網路已經區分了自旋模型中的拓撲相和常規相，而傳統的對稱性破缺描述則失效了。拓撲相是物質的一種特殊量子狀態，其特性由穩定的拓撲不變量所描述，不受局部擾動影響。

D.實驗數據分析: 掃描穿隧顯微鏡 (STM)、X 射線繞射 (XRD) 和光譜等先進的表徵技術會產生大量資料流。 AI 可以透過以下方式提供協助影像去雜訊與重建、從光譜中提取關鍵特徵以及自動解釋繞射圖案。

如卷積神經網路 (CNN) 已用於分析 STM 影像，偵測人眼看不見的晶格缺陷和局部順序。

3.人工智慧在該領域的優勢，包括避免強力計算，加速研究、引導實驗朝參數空間中最有希望的區域進行、能夠發現非直觀的材料行為以及理解來自現代儀器的「大數據」。

4. 挑戰與注意事項，包括可解釋性：黑盒模型的預測通常難以從物理上解釋。資料稀缺性：許多材料系統缺乏足夠的高品質訓練資料。可遷移性：針對某一材料類別訓練的模式可能無法很好地推廣到其他材料類別。 整合性：將人工智慧洞察與成熟的物理理論結合仍然是一項挑戰。

5. 未來方向

以物理為基礎AI：將已知的對稱性和守恆定律納入 AI 模型，可提高準確性和可解釋性。

自主實驗室：完全由 AI 驅動的自動化材料合成與性能循環實驗。

跨學科方法：結合材料資料庫、人工智慧和量子運算來解決前所未有的規模問題。

可解釋的 AI：開發不僅可以預測而且可以提供對觀察到的現象背後機制的洞察的模型。

AI 正在改變材料科學，它能夠更快、更聰明、更有系統地探索物質。透過連結實驗數據、計算模型和理論，AI 不僅加速了科學發現，還開啟了新的概念視野 ，例如發現奇異的量子相，或為尚不存在的技術設計材料。

然而，要充分發揮這一潛力，物理學家、材料科學家和人工智慧專家之間的合作至關重要，以確保人工智慧方法尊重底層物理學並以嚴謹的科學為基礎。