數據驅動材料AI預測

• 隨著材料科學的發展，從基於實驗試誤的Materials 1.0，逐步演進到融合熱力學和動力學理論的Materials 2.0，再到引入電腦運算和多尺度模擬的Materials 3.0。而當前最引人注目的是Materials 4.0，也就是材料信息學，它通過結合豐富的材料數據和AI機器學習來推動創新材料的設計和開發。這些數據可能來自模擬計算、實驗數據、特性量測、材料檢測，或公開的材料數據庫。這種數據驅動的方法不僅促進了新材料的物性設計，還涵蓋了材料配方與製程優化、檢測影像圖譜辨識、元件性能預測、產線IoT大數據分析以及線上即時檢測與決策等多個應用領域。

 

• 多尺度模擬實驗室開發物理化學的理論模型和以資料驅動的人工智慧（AI）機器學習技術的合作結合，幫助快速尋找和設計新材料，在這一過程中，多尺度模擬實驗驗證發揮著不可或缺的作用，確保理論模擬和AI預測的準確性，而人工智慧基於此材料數據，支援物性加速預測、 材料逆向開發等服務。

   

 

•  以多層PCB板熱翹曲率特性預測為例，以有限元素分析法建立熱翹曲模擬數據， 以不同的Cu覆蓋率作為機器學習特徵的 Input，熱翹曲率為Output，並以類神經網路(ANN)模型加速預測。

• 開發快速分子結構改質 及目標特性逆向篩選模組，只要使用者給定欲改質的基底分子與官能基種類，並設定期望的目標特性範圍，篩選符合目標特性的可能改質分子結構。

• 以量子力學模擬結合AI技術為例，由所需的性質開始，尋找理想的分子結構。通過輸入性質輸出結構的方式。映射到好幾種可能的結構。加速材料開發。