人工智慧—材料研發的登雲梯
「電動車行駛於道路上，人手一支智慧手機」---鋰離子電池是這些景像背後的重要推手。在問世30年後，要求更高容量、更小型、輕量化，鋰離子電池組成材料的發展已來到基本材料需改變的分岐點！在眾多材料中，如何「一眼相中」最適合的材枓？人工智慧(AI)是近年開發出來的強而有力工具；研究人員已開始思索如何將AI應用於研發的各個環節---從「實驗」、「理論計算」，乃至「『人』的工作」? 如何呈現最佳的研究形式？AI將協助電池迎向研發的新時代。
鋰電池研發的材料訊息學
鋰離子電池問世迄今已30年了，在既有材料框架下其性能改善有限，欲進一步大幅提升性能，須由材料的根本變革著手；而被寄予厚望的下世代蓄電池－全固態電池的研究開發中，要求高功率、小型、長壽命、與超輕量化，各國的研究人員亦致力於找尋最佳的電池組成材料。就材料面來看，電極與電解質為簡單的材料，然組成電池後，其內部的化學反應卻極其複雜。以往使用的材料探索方法，多先依研究人員的經驗進行試誤，再佐以「計算科學」為輔。主要係使用第一原理計算，以微觀之量子力學為基礎，進行原子間作用力與電子行為的推算。利用超級電腦的高速、大量運算能力，模擬蓄電池內的化學反應狀態，解析詳細的反應機制，提出新材料建議。即使在超級電腦的幫忙下，進行蓄電池內化學反應之高精密度計算仍是一項耗時的高成本工作。如何快速找到目標材料，材料訊息學(MI-Materials Informatics)提供了材料研發的新捷徑。
應用於初期之新材料導入、資料使用/選擇方法的MI，是稱為｢機械學習｣或｢深層學習｣的資訊科學方法，意即以人工智慧解析物性數據、推測材料與性能的相關性，進而找出新材料。綜觀全世界，將MI應用於蓄電池材料研發的最佳實施例，首推美國加州大學柏克萊分校的Gerbrand Ceder教授。Ceder教授使用第一原理計算，收集大量的模擬資料，導入機械學習，合成具潛力的材料，繼而找到優異的蓄電池材料。日本的物質材料研究機構(National Institute for Materials Science; NIMS)也應用MI進行蓄電池材料的研發，以效率化的計算建構機械學習模式，以MI之提案為基礎，開發可以自動製作電解液、進行性能評估的機器，大幅加速了蓄電池的研發流程。
MI材料開發程序
眾所周知，電池是正極、負極與電解液的組合，其性能要求輕、薄、小，且首重安全。鋰離子電池因電解液具燃燒可能，為改善安全遂有採用固體電解質之全固態電池構想，然全固態電池之離子傳導率可能偏低。鋰空氣電池之能量密度高於鋰離子電池，唯其循環壽命較短。以蘊藏豐富便宜之鎂為主材料的鎂負極電池可實現大容量化，然仍未找到適合匹配的正極與電解液。不同材料之蓄電池各具發展優勢，卻也各有其尚待克服的難題。
正極、負極與電解液材料有極多種的可能組合，為突破人工操作的極限，乃使用電腦取代傳統實驗室的重覆操作、測試，充實資料庫內容，提升電腦性能，以計算科學提升模擬精密度，進而改良現有材料。例如，鋰空氣電池用電解液的研發，利用新開發的電解液製作、性能評估設備，原本手動操作一天僅可測試10種電解液，而自動化設備則可提高至1天測試1,000種。得到之資訊可再輸入資料庫，逐步加深、加廣模擬計算與MI提案，以提升效率。
作者:李守仁/健行科技大學、白立文/工研院材化所
以上為部分節錄資料，完整內容請見下方網址
https://www.materialsnet.com.tw/DocView.aspx?id=45248
- 來源：
- 《工業材料雜誌》
- 標籤：
