人工智慧對科技發展 的影響與挑戰
陳力俊
清華大學材料科學工程系
Concept Clarification
S&T on AI vs. AI on S&T S&T vs. Industry
智慧 vs. 智能
(Big, small) data and (big, small) science
AI vs. Automation
AI in need
Massive, Complex Efficient search
Machine (deep) learning from data
New Discovery, Hypothesis
AI in need
Particle physics (1 Higgs boson in 10 9 events)
Astronomy (2x10 12 galaxy x10 8 stars = 2x10 20 stars)
Genome (2x10 9 base-pairs in DNA
20,000–25,000 distinct protein-coding
genes)
AI in need
Brain and neuroscience (10 11
neurons x 7x10 3 synaptic connections)
Pharmaceutical compounds (P53 protein, 109,052 papers since
1981)
Meteorology ( 45x10 15 bytes in archive)
AI in need
Machine learning
(computational statistics,
mathematical optimization) Data Mining (unsupervised
learning)
Data analytics, Informatics
Nano Structures and Dynamics Lab., MSE, NTHU
Data Explosion: running out of SI metric system
Tera (10 12 ), Peta (10 15 ), Exa (10 18 ): Zetta (10 21 ), Yotta (10 24 )
All books written: 480 TB All words spoken: 5 EB
UC Berkeley School of Information
(2003)
Digitization of Everything
Digitization is the work of turning all kinds of information and media—text, sounds, photos, video, data from instruments and sensors, and so on—
into the ones and zeroes that are the
native language of computers and their
kin.
Nature 528,18–19 (2015)
http://hlaoo1980 .blogspot.tw/201 3/11/higgs-
boson-physicists-
share-2013.html
Large Hadron Collider, CERN
Large Hadron Collider (LHC)
• Compact Muon Solenoid (CMS)
• A Toroidal LHC ApparatuS (ATLAS)
• A Large Ion Collider Experiment (ALICE)
• Large Hadron Collider beauty (LHCb)
Discovery of Higgs bosons
ATLAS and CMS designed to discover new particles: several x 10 8
collisions/s, 10 -3 events
Upgrade: 20–fold in 2025
1 Higgs boson in 10 9 events
Large Hadron Collider (LHC)
• 27 km in cricumsference
• 7-8 (2010), 13 (2015) TeV
• > 10,000 scientists
• Large Hadron Collider beauty (LHCb)
Large Hadron Collider (LHC)
• World record holder of computing grid
• Tens of peta (10 15 ) bytes/yr
• ~ light speed
• 25 nano-s pulse interval
LHC signal hints at cracks in physics' standard model
LHCb: finding known particles so they can be studied in detail: subtle asymmetries between particles and their antimatter counterparts.
Within two weeks of the energy upgrade,
the detector had ‘rediscovered’ a particle
called the J/Ψ meson — first found in 1974
by two separate US experiments, and later
deemed worthy of a Nobel prize.
https://www.theverge.com/2017/12/14/16777394/google-
nasa-ai-machine-learning-planets-astronomy
Kepler Space Telescope: Exoplanet Hunter
https://en.wikipedia.org/wiki/Kepler_(spacecraft)
https://www.space.com/24827-kepler-space-telescope-
exoplanet-bonanza-explained-infographic.html
https://www.space.com/24827-kepler-space-telescope-
exoplanet-bonanza-explained-infographic.html
https://twitter.com/kathykmy/status/8424090
63912677376
https://medium.com/data-collective/bringing- zymergen-to-scale-enabling-engineering-
biology-with-ai-robotics-d998a2b0cc1
Deep Variant
to find mutations in genomes
convert strands of DNA letters into
images that computers could recognize.
Train their network on DNA snippets
that had been aligned with a reference
genome, and whose mutations were
known
Deep Variant
Turn high-throughput sequencing
readouts into a picture of a full genome
It automatically identifies small insertion
and deletion mutations and single-base-
pair mutations in sequencing data.
PrecisionFDA Truth Challenge, a contest run by the FDA to promote more accurate
genetic sequencing.
CARL ZIMMER, JUNE 4, 2014, New York Times
An AI-Driven Genomics Company Is
Turning to Drugs - MIT Technology Review
single_nucleotide_polymorphism (SNP) and insertion/deletion (INDEL) calling
Next Generation Sequencing (NGS)
Scientific Publications
• > 50 M with 1 M papers annually (every 30 sec)
• > 70,000 papers on p53
• > 240,000 papers on 500+ known human kinases in their abstract.
• 10 papers/day : 70 years to go
Knowledge Integration Toolkit (KnIT)
• mines the information contained in the scientific literature
• represents it explicitly in a queriable network
• reasons upon these data to
generate novel and experimentally
testable hypotheses
Knowledge Integration Toolkit (KnIT)
• entity detection
• neighbor-text feature analysis
• graph-based diffusion of information
to identify potential new properties of entities strongly implied by existing relationships
(new protein kinases that phosphorylate the
protein tumor suppressor p53)
Knowledge Integration Toolkit (KnIT)
• Retrospective analysis
• Verification by laboratory experiments
• Establish proof of principle for
automated hypothesis generation and discovery based on text
mining of the scientific literature.
https://scholar.harvard.edu/files/alacoste/files
/p1877-spangler.pdf
https://scholar.harvard.edu/files/alacoste/files
https://scholar.harvard.edu/files/
alacoste/files/p1877-spangler.pdf
Materials Science & Engineering
Bandwagon
Materials Genome Initiative Local Efforts
Future Outlook
Nano Structures and Dynamics Lab., MSE, NTHU
Bandwagons in MSE
Laser annealing
High Tc Superconductors
Carbon Nanotubes (174,473 ) Nanomaterials
Graphene (134,811)
2D Semiconductors
https://phys.org/news/2016-08-unraveling-
crystal-high-temperature-superconductor.html
https://www.slideshare.net/SREESANGH/carbo
n-nanotubes-sreesangh-p-ghosh
https://www.researchgate .net/figure/TEM-
micrographs-of-carbon- nanotubes-consisting-a- five-b-two-c-seven-
graphitic_fig1_221914388
HRTEM image ACF processed images
Amorphous -Ge (20 nm), as-deposited
https://www.youtube.com/watch?v=xJ32NfAyjpY
http://www.sim-flanders.be/event/round-
table-data-mining-materials
Presentation Title, 46pts
Presenter Name, Title, 20pts
材料數位科技(MGI+AI)
-結合電腦模擬與AI機器學習 加速產業創新研發
張志祥/張哲銘
工研院材料化工所
領導廠商在材料數位科技發展案例
MGI/AI 發展案例
美國福特汽車
• 整合計算材料工程(ICME)虛擬鑄鋁方法
• 開發輕量化發動機合金材料
• 時程縮減25%，成本節省1億美元
美國QuesTek
• 跨尺度模擬設計，MGI研發模式
• 開發齒輪用Ferrium C61高強度合金
• UTS 提升 39 % ，輕量化 >20%
美國通用電氣公司
• 計算熱力學&材料性能模型和資料庫
• 開發的渦輪機用GTD262高溫合金
• 相穩定性>1000 °C，研發經費降低80%
美國波音公司
• 跨尺度模擬設計，MGI研發模式
• 新材料商業化時程縮短一半 (12年 6年)
韓國三星公司
• 第一原理計算材料物性(MGI)
• 類神經網路機器學習(AI)
• 開發高電壓鋰離子電池的電解液
• 循環效率從64.3%提升至80.8%
日本豐田中研所
• 2017宣布將投資 3,500 萬美元
（ 10.6 億元台幣），運用 AI 來尋 找電動車及氫動力汽車的電池材料 和催化劑人工智能基因演算法
•Boeing面臨飛機複雜度越高，研發成本與交貨期不斷增加窘困。767、777、787飛機從 訂單到交貨分別花了4、5、7年，主要瓶頸在於Materials property evaluation、Design-value
development、Component test的成本與時間大幅增加
•導入MGI研發模式，讓新材料從研發到商業化時程由原本超過12年縮短至6年，建立從 atoms to aircraft 跨尺度模擬設計能量，並搭配實驗測試驗證，讓Boeing持續保持競爭優勢
波音透過MGI大幅縮減研發時程
Launch Order –1978 Delivered –1982
Launch Order –1990 Delivered –1995
Launch Order –2004 Delivered –2011
4 years 5 years 7 years
• Reduced time and cost
• Increased design space
• Increased performance
Computation from atoms to aircraft
- Linking modeling & simulation with experiments
韓國三星電子
- 導入MGI/AI開發鋰離子電池電解液
•三星電子導入MGI/AI手法開發次世代高電壓鋰離子電池的電解液，以高通量計算 近百萬筆數據篩選出數十種具潛力的分子，大幅降低材料開發時程與成本
•經快速篩選過程，選擇適當添加劑，將循環效率從64.3%大幅地提升至80.8%
•三星電子亦結合機器學習(ML)的數據分析和預測，達到~80%的精準度
原數據庫
有機分子數據
~1,000,000筆
循環效率 提升
64.3%
80.8%
Quinoxaline
高通量計算 關鍵參數篩選
負極型 高電壓電解質
Step I.
40,148筆
Step II.
8,733筆
Step III.
315筆
Final step
~20筆
實驗驗證
氧化還原電位 鋰鹽溶解度 熱力學穩定性 化學反應性
原數據
~1,000,000筆
8,733筆 315筆
40,148筆
~20筆 關鍵問題
• 工作電壓小 → ~4V
• 電化學活性大 → SEI形成
• 穩定性低 →安全性
• …
Electrolyte
關鍵參數 電化學視窗 (氧化還原電位差)
機器學習應用領域特性比較
資料取得 使用目標
特徵選取
材料預測/製程最佳化
• 可藉由實驗、模擬、檢測 分析獲取數據
• 數據量少(10
1~10
3)
• 材料特性預測
• 製程參數解析
• 透 過 專 家 知 識 (domain knowledge)準確選取特徵
• 高關聯性特徵可降低數據 量的要求
電子商務/金融
• 分析使用者習慣
• 市場預測
• 藉由網站蒐集使用者訊息
• 數據無時無刻都在累積
• 數據量多(10
6~10
8)
• 特徵雜亂，不易準確選取
• 一 般 會 以 深 度 學 習 (deep
learning) 來 自 動 尋 找 合 適
特徵
AI機器學習在材料產業的應用方向
• 基因演算法輔助分子設計
• 搭配第一原理材料計算
• 加速材料物性資料庫建置
新材料快速設計應用
元件特性快速預測分析
• 元件可靠度分析
• 元件壽命預測
• 產品特性預測
• 虛擬量測
影像圖譜快速判圖解析
• 圖譜相似度SS計算
• 圖譜快速解圖
• MS/UV/FTIR/NMR
• 缺陷影像辨識
材料配方與製程快速優化
• 材料配方比例預測
• 製程參數快速優化
• 製程參數全域最佳化
• 因子權重排序分析
• IoT生產數據分析
• 材料科學文獻檢索
• 文獻數據蒐集擷取
• 專利大量閱讀
• 產業資料蒐集
材料Text Mining文字探勘技術
機器學習加速新材料物性資料庫建立 -以二元陶瓷材料為例-
• 二元陶瓷材料物性資料庫建立(共約500多種組合)，需依靠第一原理材料理論計算。
• 以128組理論數據結合隨機森林法(RF)，建立楊氏係數預測模型。
• 以此預測模型(準確度R
2>0.90)可於1天內取得其餘組成之物性。
• 如全部依靠第一原理材料理論計算，至少需耗時半年以上。
• 當數據量少時，專家知識(Domain Knowledge)導入的準確性就更為重要。
取得材料晶體結構 晶體結構最佳化
(取得輸入特徵)
楊氏係數、熱膨脹 係數預測 快速建立資料庫
其餘400組陶瓷材料特 性可在1天內取得
預測模型準確度R
2>0.90後 可加速資料庫建立
物性關鍵影響因子 楊氏係數
• 生成能
• 陽離子半徑
• 陽離子價數
• 電負度
楊氏係數預測驗證
R
2=0.940
學習模型建立的過程
提升準確度的關鍵 1. 材料專家知識 2. 晶體結構優化 3. 了解數據特性 4. 篩選合適演算法 5. 演算法參數優化 (grid search)
機器學習案例-製程參數設計
-以陶瓷材料耐化性為例-
• 國內民生水五金產業聚落主要坐落在彰化及苗栗，產業市值達600億，其中陶瓷閥芯約占80億。
• 缺乏配方設計與製程條件優化等工具，無法滿足工業等級閥片在耐化性的規格需求。
• 透過機器學習以小樣本實驗數據(25組)建立酸蝕失重與鹼蝕失重的預測模型，大幅減少後續實 驗次數，縮減產品開發時程≧50%。
• 該預測模型可提供國內廠商產品快速由民生等級提升至工業等級，大幅提升產品產值20倍。
酸蝕失重(%)預測準確度(R2)為0.89 以12組實驗結果進行學習驗證
• 氧化鋁比例
• 助熔劑配方
• 助熔劑比例
• 粉體造粒
• 乾壓壓力
• 燒結溫度
• ….
陶瓷材料耐化性 影響參數 (輸入特徵)
鹼蝕失重(%)預測準確度(R2)為0.50
酸蝕失重(%)預測準確度(R2)提升至0.97 以18組實驗結果進行學習驗證
鹼蝕失重(%)預測準確度(R2)提升至0.95
廠商提出耐化性規格
材料配比、製程條件 快速預測
進行實驗驗證與微調 協助水五金閥片廠商
快速取得 工業等級耐
化性產品 ，提升產值 20倍。
預測模型建立後，可快速協助廠商 進行配方與製程參數設計
以25組實驗結果進行學習驗證 酸蝕失重(%)預測準確度(R2)為0.95 鹼蝕失重(%)預測準確度(R2)為0.93 配
方 範 圍 專家知識 小
+
隨機森林法 +
Outside testing
R
2= 0.88
機器學習案例-材料配方特性預測
-以樹脂配方導熱係數為例-
• 高導熱樹脂配方(Epoxy環氧樹脂、Amine硬化劑)多以實驗試誤法進行開發，耗時費力。
• 以隨機森林法(RF)針對既有53組樹脂配方建立樹脂配方導熱係數預測模型。
• 未來可以透過材料模擬設計新結構，結合預測模型快速預測配方之導熱係數，大幅降 低實驗成本與開發時間。
• Outside Testing R2：0.88
純材料物性(輸入特徵)
硬化劑
• 比熱容
• 密度
• 導熱係數
• HOMO/LUMO 環氧樹脂
• 比熱容
• 密度
• 導熱係數
• HOMO/LUMO
新材料結構設計
材料物性模擬
配方導熱係數預測
(不易由材料模擬取得)
實驗驗證
預測模型建立後，加速配方開發
各層平均鋪銅率
• 即時熱翹曲率預測
• 解決方案建議-調整各層 鋪銅率，降低熱翹曲率。
機器學習案例-產品特性預測
-以PCB異質多層結構快速預測為例-
• 2016年台灣PCB產值達5656億。電路電性設計完後之PCB板經壓合、電鍍、蝕刻後如發生變形，
翹曲，將造成後續例如鑽孔對位、機台進出等製程的困難。傳統力學模擬流程耗時過久，工廠 端無法即時評估因PCB各層材料性質所導致的變形。
• 我們以力學模擬(FEA)建立800組數據並結合類神經網路(ANN)，建立客製化快速預測(10~30min) 模型與工具，協助工廠端在製程開始前即可預估熱翹曲，以決定是否調整材料或鍍銅圖案配置。
PCB多層板 熱翹曲
各材料CTE差異 各層鋪銅率差異
Х 實務：無法預測製程與翹曲率關係
FEA模擬：耗時以月計
AI客製化工具：僅需數分鐘~小時
異質多層結構影響參數：
各層平均鋪銅率
壓合 顯影蝕刻 壓合 顯影蝕刻/雷鑽孔 電鍍 綠漆
材料 組成
玻布 鍍銅 樹脂 增層 綠漆
客製化預測工具
內層板 增層製程(重複製程)
