從硬解方程到智慧預測：AI打開材料新世界

過去科學家為了找出一種新材料，可能要花上數年時間解無數複雜的方程式，甚至動用超級電腦。現在，AI出現了，它不再「硬解」方程式，而是用學習過的數據幾秒內就能快、狠、準來預測材料性質！AI的介入正在翻轉材料科學的發現方式，從漫長試錯走向智慧預測。

撰文｜黃鼎鈞

為什麼我們的手機越來越輕薄、效能卻越來越強？為什麼電動車充電更快、續航更長？甚至連科幻電影中的量子電腦，如今也正逐步成真，這一切的背後，都仰賴科學家們對材料特性不斷深入的探索與理解。每一次工業的的躍進，都是因為新材料的發現因運而生，像是青銅的發現，造成了人類從石器時代邁入金屬時代的巨大轉變，鋼鐵的合成，造成了機械工業與大型建設的興起，直到近代矽晶片的應用，造就了資訊革命與數位時代的來臨，而到現在的二維材料與自旋電子材料，正在醞釀量子科技與新一代低能耗運算的科技。因此，唯有不斷尋找新材料、了解它們的性質與潛力，科技才能繼續前進。隨著科技演進，我們已不再依賴土法煉鋼與反覆實驗來發現材料，而是使用電腦進行模擬與理論預測，透過演算法與物理模型探索潛在的新材料。然而，即便工具更先進、方法更科學，我們對於新材料的渴望也日益高漲，導致這場追尋「未來材料」的旅程，始終被高昂的時間與資源成本所限制，成為科學進展的瓶頸。

傳統材料研究的瓶頸：時間與資源的雙重壓力

在過去，研究人員若想了解某種材料是否具有應用潛力，通常會透過理論計算來預測其結構穩定性，以及其磁性與電性等物理特性。常見的方法包括「密度泛函理論 (DFT)」、「第一原理計算 (ab initio methods)」、「緊束縛模型 (tight-binding model)」與「分子動力學模擬 (Molecular Dynamics, MD)」等。其中DFT是目前最廣泛使用、兼具準確性與效率的主流方法，DFT是一種從量子力學出發的嚴謹理論，透過對材料中每一個電子如何分布與運動進行詳細計算，最後將其物理性質精準模擬出來的方法，但問題是，這種方式太慢，也太貴了！一個典型的DFT計算，隨著材料系統規模的增大，其計算時間會呈三次方上升，舉例來說，若要模擬一個約3000個原子的系統，即便使用高效能運算中心的超級電腦也需要超過2000秒，若使用一般研究室等級的桌上型工作站，可能需要數十小時甚至數天，而這樣的任務若由一般筆記型電腦執行，幾乎是不可能完成的，這種龐大的時間與資源消耗，正是材料設計無法快速擴展的關鍵限制之一，更何況若想要從數十萬種的可能材料中找出候選者，幾乎是不可能的任務。

AI的崛起：從暴力硬解到聰明預測

當材料科學家將人工智慧 (AI) 引入材料預測，便不再需要逐步解算複雜的量子方程式，AI透過機器學習 (Machine Learning) 學習「材料結構」與「已知性質」之間的關聯，進而快速預測新材料的特性，這種資料驅動 (data-driven) 的方式，不依賴每個電子的動態模擬，而是從過去的數據中提取關鍵特徵（如原子半徑、電負度、晶體結構等）來建構模型。儘管模型訓練初期可能需要GPU或雲端運算，但一旦建構完成，每次預測只需幾秒鐘、成本極低，為大規模材料探索開啟了全新可能。為了幫助理解兩種方法的差異，嘗試想像一列載滿乘客的列車，DFT就像是一位嚴謹的列車長，每天都要重新計算全車的最佳座位安排，即使昨天算過，今天也得重來；而AI則像是一位經驗豐富的列車長，根據過往觀察就能快速預測最適座位，幾秒鐘內完成安排，雖然偶爾不如DFT完美，卻在效率與成本上技高一籌，這也是為什麼AI在材料研究中越來越受到重視。實際應用中，AI模型可在幾秒內完成材料形成能 (formation energy) 等關鍵性質的預測，其誤差低至0.064 eV/atom，這個數字相當於一般化學鍵能（約1-5 eV）的不到10%，通常，我們要求形成能誤差不能超過0.1 eV/atom，否則可能誤導材料穩定性預測，因此這樣的精準度已屬於材料研究中的高水準，甚至在某些任務中優於傳統的DFT模型。

AI X材料革命：下一場工業時代的起點

這種AI輔助材料研究（又稱Materials Informatics）正重新定義我們尋找與設計材料的方式，AI時代的材料科學家，不再只仰賴昂貴且耗時的電腦運算與反覆實驗，而是能透過快速計算、平價設備與資料學習模型，直接鎖定具有潛力的候選材料，過去像是在大海撈針，如今則像使用導航精準對焦目標，迅速直達核心，進而串聯歷史數據、雲端共享與自動化實驗平台，打造出一個高效的「智慧研發循環」。

這套新方法已開始在許多領域中展現成效：在能源方面，AI加速了高效電池與新型太陽能材料的開發；在半導體與量子科技領域，AI協助識別出極具潛力的低能耗運算材料與量子材料；在永續科技中，AI更能快速篩選出具備可回收性與高耐用性的環保材料，實現綠色研發。

令人振奮的是，這不再只是想像。世界各地的實驗室與企業，像是韓國LG公司、法國雷諾汽車，都正在打造以AI為核心的材料設計平台，讓未來的材料不再只能靠「靈光乍現」地發現，而是透過演算法邏輯與資料訓練「被設計、被生成」。AI不只是輔助工具，更是材料科學跨入全新世代的引擎。材料研究，曾是一場漫長的試錯旅程，如今，AI成為科學研究的加速引擎，或許，我們正在經歷一場屬於21世紀的工業革命。

參考文獻

1. Ma, S., Ma, Y., Zhang, B., Tian, Y., & Jin, Z. (2021). Forecasting system of computational time of DFT/TDDFT calculations under the multiverse ansatz via machine learning and cheminformatics. ACS omega, 6(3), 2001-2024.
2. Jha, D., Gupta, V., Liao, W. K., Choudhary, A., & Agrawal, A. (2022). Moving closer to experimental level materials property prediction using AI. Scientific reports, 12(1), 11953.
3. Nakata, A., Bowler, D. R., & Miyazaki, T. (2022). Large-scale DFT methods for calculations of materials with complex structures. Journal of the Physical Society of Japan, 91(9), 091011.
4. 「AI預測材料性質，助力新材料開發」，科技政策研究與資訊中心，2024年3月26日。
5. 「生成式AI在製造業的新興應用機會」，科技政策研究與資訊中心，2023年10月23日。