TANIDA年會專題演講「以機器學習輔助探索能源材料微奈米結構」

【圖】中研院應科所包淳偉博士於年會專題演講

2025年TANIDA年會專題演講由中研院應用科學研究中心包淳偉研究員以「以機器學習輔助探索能源材料微奈米結構」為題進行專題演講。演講一開場包博士展示以生成式AI合成的鋰電池石墨負極、高熵合金及鈣汰礦太陽能材料的圖片，揭開今天演講將揭露如何以機器學習來輔助開發這三種材料的應用。
材料模擬可依模擬尺度分類，第一原理(DFT，Density Functional Theory)計算是以量子化學進行原子尺度的計算，精準度高、但算力需求高、計算時間長、成本最高。其次就是傳統力場計算，即2013年諾貝爾化學獎得獎項目，屬分子尺度的計算，所需算力較低、計算時間較短，成本也較低。包博士以畫虎比喻，第一原理可精準描繪出虎臉上的王字，但無法描繪整隻老虎，而傳統力場只能描繪出老虎的外型，無法顯現出身體細部。所以包博士的研究就是如何以機器學習(ML)與傳統力場模擬的方法來獲得更精細尺度的結果。方法是用非常小尺度的量子化學的計算結果，去訓練機器學習的模型，把微觀的行為，透過機器學習模型，發揮在巨觀模型裡面，連結量子化學的小尺度跟分子模擬的大尺度，如此一來，便可以擴張原來幾百顆原子的小小系統到數十乃至數百萬顆原子的大系統，從而順利分析出材料巨觀的性質及行為。
能源材料因為原子種類及排列組合眾多，原子排列結構複雜，第一定律計算耗時太久，但包博士的機器學習方式，以2592個原子為例，速度可以提高105倍。這個機器學習進行原子尺度模擬是先將原子座標轉成向量，以第一原理建立原子模型，再訓練機器學習模型。混合型鈣鈦礦化學組成FA1-xMAxPbI3-yBry (FA、MA為有機胺，非單一原子)複雜，組成結構種類繁多，以實驗找出最佳組成實屬不易，所以嘗試先以模擬篩選，加速開發，包博士以機器學習模擬找出最低能量結構、固溶相區及製程參數。高熵合金(具有五個以上主要元素，且每個主元素原子百分比應介於5%至35%，而每個次要元素則小於5％)因為原子種類眾多，難以模擬預測，包博士團隊以機器學習模擬CoNiHfTiZre高熵合金的差排動力學。最後以石墨負極內鋰原子的填充量計算為例，理論是LiC6，計算結果能量最低是LiC4，因為Li填入越多，會造成石墨結構扭曲而不安定。
包博士演講過程中不斷強調AI是工具，可以使用，但有缺點，應用AI作材料模擬應抱持理解AI模擬的極限及精準度，而非盡信其結果。