0

0
1

文字

分享

0
0
1

人工智慧如何持續變聰明,又將怎樣影響未來呢?──《知識大圖解》

知識大圖解_96
・2018/02/27 ・3073字 ・閱讀時間約 6 分鐘 ・SR值 565 ・九年級

立即填寫問卷,預約【課程開賣早鳥優惠】與送你【問卷專屬折扣碼】!

說到人工智慧,你腦中浮現的是「它」嗎? 圖/《魔鬼終結者》劇照

對多數人來說,人工智慧(AI)這個詞會讓人立刻聯想到末日般的畫面。畢竟在電影中,我們早看過當人類發展超出掌控時的不變下場。只要有人打造出能真正思考的機器──有感知能力的「覺醒」機種──那麼人類就玩完了。(延伸閱讀:迎接人工智慧時代,你我都該上的 30堂必修課

如果這個聰明的機器不喜歡我們行事的方法,那該怎麼辦?若它有其他想法,又該如何處理?

多年來,這類猜想催生出眾多科幻作品,儘管《魔鬼終結者》片中對 AI 的刻劃十分嚇人,但 AI 其實較可能幫助人類,而非加以傷害。不過,由於史蒂芬.霍金(Stephen William Hawking)和伊隆.馬斯克(Elon Musk)等頂尖科學家和技術專家一再警告 AI 的潛在危險,因此你若對 AI 仍有疑慮,也屬情有可原。

為了充分瞭解 AI 的驚人潛力,我們得先釐清關於它的諸多誤解。首先,應考慮如何能使機器擁有智能,以及它們怎麼進行思考。AI 一詞於 1956 年出現,可用來代表計算能力領域的多項技術。科技公司在展示新品時,常會用到該詞彙,但這些產品所觸及的「智慧」層面卻大相逕庭。

請點擊看大圖。圖/《知識大圖解》提供

AI 為什麼學習力驚人?它們能幫人類做什麼?

在多數情況下,AI 已成為行銷昂貴電腦程式的誘人說詞;然而,有些電腦是真的具有學習能力。其中最複雜的目前僅適用於股市、科研領域,以及日漸複雜的電玩世界。你可能會認為,預測公司淨值、用遺傳密碼建構模型,以及稱霸遊戲世界得採用完全不同的 AI 才行,但它們其實都能以相同的基本架構來實現。

真正的 AI 仰賴機器學習原理來運行;本專題將進一步探討不同的機器學習類型。透過機器學習來運行的電腦程式與其他多數程式差別甚鉅,因為你毋須告訴程式該如何做事──而是展示給它看。假設你想要一個能從腦部掃描中發現異常的電腦程式,若使用傳統程式,你得編寫極為嚴密詳實的規則供程式使用;如使用機器學習程式,你只須給程式各看數千張正常與異常的腦部掃描圖,然後讓程式教會自己識別異常。

比起傳統程式,機器學習法顯然更占優勢,因在執行指定任務的成效上,電腦很可能比程式工程師更優異。而最令人興奮的是,科學家正著手打造這樣的程式。

請點擊看大圖。圖/《知識大圖解》提供

不過,這些能幫助我們打理日常生活的 AI 並非全是明日科技。事實上,我們已能享受它們所帶來的好處。

從微軟的 Cortana  語音助理,到 Google 和 Facebook 提供的大型服務,背後都有智能程序在運作,好引領我們穿梭於網路中。它們瞭解我們的興趣與好惡,並為每個人量身打造合適的廣告和建議。然而,儘管會做的事情很多,但它們仍屬於所謂的「弱人工智慧」(narrow AI)──完成特定任務的能力遠勝於人類,但卻無法執行任務以外的事情。

人工智慧的下一步是創建「通用 AI」。在 AI 領域中,此部分究竟是最令人興奮,抑或最為嚇人,至今仍眾說紛紜。通用 AI 將比現行的 AI 系統更接近人類智能,因為它能學習解決各種問題,並應用於不同的任務。距離實現上述夢想的日子尚遠,但 Google DeepMind 的 AlphaGo 是目前最接近的例子。透過深層類神經網路,AlphaGo 擊敗了世上最強的圍棋選手:李世乭。眾人認為這是 AI 歷史性的一刻,因圍棋中有數萬兆種走法,要將之全部編入電腦中是不可能的。相反地,AlphaGo 天資聰穎,可多次與自己下棋,並從中反思自己的錯誤。在數百萬局的練習之後,它已足以與人類棋王匹敵,甚至得勝。

AlphaGo 潛力驚人。開發者興奮地宣稱,該程式將用來協助醫療人員,讓 AI 加入拯救人命的行列,且其多樣化的學習法也能作為許多智能機器的基礎。

請點擊看大圖。圖/《知識大圖解》提供

科學家怎麼讓 AI 更加強大?

就當前的技術而言,我們僅能打造出效能強大但功能有限的 AI。這是因為當我們從通用 AI 轉往人類智能邁進時,所需的電腦效能也得更強大;而今,我們尚未發明能與人腦處理能力匹敵的事物。
不過,人之所以為人,便是因為敢於迎接挑戰,科學家目前正在研究潛能超強的新型電腦。這種電腦名為量子電腦(quantum computer);透過「超距幽靈作用」(即量子糾纏,quantum entanglement),其工作效率極佳,計算速度超乎人類想像。

IBM研發的量子電腦 圖/Lars Plougmann@flickr

在比較一般電腦和量子電腦時,你可想像它們須執行的任務都是從迷宮中逃脫── 一般電腦一次只會試著走一條路徑,直到找到正確的逃脫路徑為止。量子電腦卻能同時搜索每條路徑;這代表它運作得更快、效能更強,一旦搭配精密的 AI,將可能與人類大腦匹敵,甚至青出於藍。在量子計算能力迷宮外等著我們的究竟為何?這目前僅能仰賴我們的想像力;也許是打造人類等級的智能,或是更高級的智能系統。我們甚至可能打造超越人類認知能力的超級智慧。這聽起來或許既有趣卻又令人卻步,但只要我們步步為營、謹慎向前,就不該太過操心。

電影情節會成真嗎?AI 是否會危害人類?

超級 AI 本身並不會對我們構成危險;至少不是我們所想的那種情況。在小說描寫的末日情景中,AI 會像我們一樣思考,有時甚至擁有人類般的情感;AI 同人類一樣渴望自由,也有統治一切的野心。但實際情況並非如此──電腦的思維與你我的思考方式完全不同,即使是特別聰明的人造腦也不會改變這個事實。

電影《機械公敵》中出現人工智慧與人類發生衝突的情節,未來有可能上演嗎?圖/imdb

最聰明的生物會試圖爬上食物鏈頂端──這道理並不難理解,且人類就是最佳例證。但電腦並非演化的產物,這代表電腦與人類的本質上大不相同。人類所有的欲求都源自基因藍圖,而電腦卻不會受生物欲望所驅使,這對人類而言是──也許對機器來說也是──好事一件。這也許有點難以想像,畢竟換位思考本就不簡單。不過,電腦只會遵循內部程序行事,而這些程序都是由人類所制定。從這方面看來,我們便毋須擔心。

可惜的是,這也不代表我們就能清楚判定出未來走勢。假設有天人類成功打造出超級智慧,並要求它們協助將火星變成宜居的家園,也許 AI 真能找出人類要花上數世紀才能想出的解決方案,並幫助我們實現夢想。但它們也可能發現,改造火星的最佳方法就是將地球的大氣和資源送至火星。也就是說,AI 雖按指示行事,卻反而可能導致人類滅絕。AI 能否正確地理解指令,這之間的差距可能會讓人類成功殖民火星,抑或徹底滅絕。

AI 的第二個威脅則比較直接:有心人士可藉助其力量來破解程式。若落入壞人手中,強力 AI 經訓練後可能得以破解各種受密碼保護的程式。因此,在這方面我們得非常謹慎。然而,儘管有潛在問題存在,AI 對於人類的生活可能還是頗有助益。

對任何團隊來說,擁有聰明、能幹且全心投入的成員可是件好事,無論該成員是人類或其他事物。為此,AI 可能即將與人類攜手合作,開始涉足各行各業(如通信產業、航空業和醫藥業),也許之後還會供軍方和航太使用。

想更進一步了解人工智慧發展,迎接 AI 時代,這裡有 30 堂你我都該上的必修課

 

本文為節錄版,完整報導請見《How It Works 知識大圖解》  2017 年 11 月號第 38 期

 

 

文章難易度
知識大圖解_96
76 篇文章 ・ 6 位粉絲
How It Works擅長將複雜的知識轉化為活潑有趣的圖解知識,編輯方式以圖像化百科呈現,精簡易懂、精采動人、深入淺出的圖文編排,讓各年齡層的讀者們都能輕鬆閱讀。

0

5
1

文字

分享

0
5
1
從「自動化」進化成「智動化」——智慧製造是半導體產業的未來趨勢
鳥苷三磷酸 (PanSci Promo)_96
・2022/08/15 ・3611字 ・閱讀時間約 7 分鐘

  • 文/曾繁安

台灣擁有傲視全球、成熟完整的半導體產業聚落,在世界科技領域中扮演舉足輕重的角色。這個國家的經濟命脈,經過全自動化的時代後,即將迎來另一次生產技術的大變革——智慧製造。

當訂單越來越多,人力卻不夠,半導體業者該怎麽辦?

半導體產業包含了矽晶圓[註]、相關化學品與氣體及導線架等封裝材料,其中又以晶圓厰為大宗,例如台積電便是全球規模最大的晶圓代工厰。素有「現代科技應用的大腦與心臟」之稱的半導體,是現代多數電子產品的核心單元,因為各項產品正是利用半導體電導率變化的特性來處理資訊。然而,目前半導體製造業卻面臨人力資源跟不上產量需求提高的挑戰。

晶圓是積體電路製程中的載體基片。圖/wikimedia

一般半導體廠場域面積大,人力短缺使企業面臨管理人手吃緊,再加上人員進出無塵室的過程繁瑣耗時,也是另一大負擔。與此同時,在廠內儀器參數比對和規劃生產計劃上,傳統人力也可能有出現誤差的風險。疫情時代也促成在宅經濟和 5G 應用的高速發展,各領域對晶片的需求大增,造成半導體產業出現產量需求高,但人力短缺的現象。

因此對不少業者而言,可有效緩解人力不足、大幅提升作業效率的數位轉型(Digital Transformation),可謂勢在必行。

從「自動化」升級到「智動化」的智慧製造

那半導體產業的數位轉型,該怎麽做?所謂數位轉型,不僅僅只是將資料或作業數位化,還包括導入人工智慧(Artificial Intelligence,簡稱 AI)與數位科技,來改變企業的整個營運生產模式。AI 指的是電腦程式可模擬人類思維過程的能力,而在 AI 概念下的機器學習(Machine Learning,簡稱 ML),即為機器可以根據已收集的大量數據,經由建立模型對新數據進行推測,學習找出最佳解、改善效能

結合 ML 的製造執行系統,需搭配裝置在工廠各處的多個傳感器(Sensor),來收集與回傳各樣的生產數據。它們與工廠設備的相互連接,即是運用了物聯網(Internet of Things)的技術。有賴於 5G 科技的發展,數據可以達成高速率傳輸與低延遲,使得機器與機器之間可以達成溝通,在整合分析各方數據資訊後,有效率地完成各種指令操作,可以比自動化製造系統,更進一步為人類代勞工廠運作的大小事務。

舉例來説,當工廠的生產過程出現問題,自動化系統只會跳出異常通知,還是需要仰賴人員來進行手動排除;但換作應用 ML 系統的話,便可透過自我學習,來自動調整製作流程以解除異常狀況,無需人力介入便可自主解決,提升良率,達成「智動化」智慧製造(Smart Manufacturing)的最終目的。

機器可以根據已收集的大量數據,經由建立模型對新數據進行推測,學習找出最佳解、改善效能。 圖/elements

懂得精益求精、提高品質產量的智慧工廠

一座運用智慧製造的半導體工厰,不但能自主克服製程中的疑難雜症,更能幫助提高晶圓的產量品質。在研發方面,AI 可以協助理解高複雜、高維度的製程開發挑戰,也可與 ML 軟體分析感測資料和檢測影響,進行品質管理與缺陷檢查。

此外,數據治理和數位分身,也是智慧製造的關鍵策略。對企業整體的數據進行管理和控制以提高數據的價值將因為數據產生的成本風險降到最低,是數據治理(Data Governance)的核心精神。

在兼顧資訊安全下,數據治理的體系能使跨部門間的數據共享更為方便暢通。輔以 AI 及 ML 的運算,便可以使業務部門的客戶需求、供應鏈管理等資料,與工廠生產部門的設備控制與品管等流程,有更迅速緊密的配合,規劃好合適的未來生產計劃,指導人員進行相關作業。

如同我們可以在電玩游戲或社交媒體上,按照自己的個人形象,來打造自己的虛擬化身,工厰也能藉助現今的科技,來為產品的物理實體,在資訊化平臺或系統的虛擬空間中,打造一個類比實物數位分身(Digital Twin)

數位分身模型之概念圖。圖/wikimedia

數位分身也是物聯網的應用之一,半導體廠中,由傳感器所收集到的晶圓製造數據,在 AI、ML 和軟體分析的協助下被整合,對映成數位空間中「雙胞胎」的存在。這位孿生兄弟不僅能夠隨物理實體的變化而即時做出相應變化,還可以提供無法在實體產品上測試計算的數據。

理想情況下,數位分身可以經由機器學習,分析過去的歷史資料或多重來源的數據,來推估實體的未來情境。因此在危機或異常事件發生前,業者便可預先進行預測性的設備維護與產品的良率分析,比起傳統人力的判斷更加精確,降低技術風險,大大提高生產效率。

工業 4.0 浪潮來襲,智慧製造是產業未來趨勢

運用通訊科技、資料庫和電腦系統達成全自動化生產,已不是新鮮事,如今人類社會正迎來第四次工業革命的新一波浪潮。主打網絡與機械相互連接的核心精神,導入人工智慧、機器學習、物聯網感測與大數據分析等人機協作的智慧製造,是因應多變市場需求的時下趨勢。

在半導體領域中,企業龍頭台積電可説是數位轉型的成功案例,從二十年前的全自動化製造系統,如今致力於打造組織內部友善 AI 的工作環境,努力向智慧製造全面轉型。數位轉型的技術支援不能沒有半導體產業製造的晶片,而如今數位轉型也有望帶領半導體產業突破產能吃緊、人才短缺的困境,走向智慧製造的新紀元。

以台灣在地企業的智慧製造覆蓋率而言,就已在短短 6 年內成長 50%。舉全台最大的國際半導體展 SEMICON Taiwan 為例,智慧製造相關的展商在近六年內的成長幅度也同樣攀升了 50%。

今年高科技智慧製造特展將以歷年最大規模之姿登場,與全台最大半導體盛宴 SEMICON Taiwan 2022 國際半導體展同期同地舉辦,匯集橫跨高科技製造業智慧製造解決方案業者、系統整合、軟硬體商及智慧製造需求端業者,如盟立自動化、倍福自動化、家登精密、攝揚企業、日商 JEL 等不容錯過。

今年高科技智慧製造特展將以歷年最大規模之姿登場,與全台最大半導體盛宴 SEMICON Taiwan 2022 國際半導體展同期同地舉辦。圖/SEMI

因應疫情下數位轉型成為全球企業的重要任務,今屆展覽中的「高科技智慧製造論壇」將由美光科技、 Lam Research、 Rockwell Automation、Siemens 等知名企業專家以人工智慧工廠為主軸,探討 GEC 技術藍圖,內容包含五個部分包含數據管理、智能分析、數位分身預測等重點實務經驗分享,從晶圓厰到設備製造商和解決方案提供者的角度,讓參與者得以探究 AI 智能工廠的前景和挑戰,跟上數位轉型的步伐。

除了智慧製造議題,展覽期間共有超過 20 場重磅級的國際趨勢論壇,豐富主題涵蓋先進製程、異質整合、化合物半導體、車用晶片、永續製造、半導體資安及人才。論壇將在今年 9 月 13 日率先開幕,展覽則於 9 月 14 日至 16 日於臺北南港展覽館一館盛大開場,規模創歷年新高,届時將有 700 間國內外指標性大廠共襄盛舉,現場將有 2,450 個攤位展出,完整串聯全球半導體供應鏈,目前展會參觀與論壇皆已開放報名,參與席次有限,有興趣者趕快手刀至官網報名起來!

註:晶圓(Wafer)是半導體晶體圓形的簡稱,是從半導體材料如最常見的矽,經過拉製、提煉等一系列處理過程,製成的圓柱狀半導體晶體經過切片、抛光而來。這些圓形薄切片被用於積體電路製程中的載體基片,也可用來製作太陽能電池。

參考資料

  1. 半導體是什麼?晶片產業一次看懂
  2. About SEMI Smart Manufacturing initiative
  3. 【獨家披露】台積電數位轉型的下一步,靠AI推動全面轉型(上
  4. 【獨家披露】台積電數位轉型的下一步,靠AI推動全面轉型(下)
  5. 泛科學:每分鐘 15 次的駭客攻擊,5G 世代的臺灣資安挑戰——資安所王仁甫策略總監專訪
  6. Data Governance – 臺灣人工智慧行動網
  7. 「數據治理」:人工智慧企業的基本功
  8. 科技大觀園:從全自動化製造邁向智慧製造
  9. 聯剛科技股份有限公司
  10. 【新興領域:9月焦點8】數位分身(Digital Twin)技術發展趨勢與不同層次應用模式
  11. 半導體資安的新挑戰!後疫情時代,如何全面打造半導體供應鏈數位韌性
  12. 工業4.0大全,從淺到深一篇搞懂它!
鳥苷三磷酸 (PanSci Promo)_96
155 篇文章 ・ 268 位粉絲
充滿能量的泛科學品牌合作帳號!相關行銷合作請洽:contact@pansci.asia

2

3
3

文字

分享

2
3
3
英國「學童」取代「病理學家」?!辨識癌細胞的人工智慧
胡中行_96
・2022/05/30 ・2391字 ・閱讀時間約 4 分鐘

18 世紀工業革命,人力從家庭進入工廠,連孩子們也無法倖免。為了保障童工的權利,1819 年英國制定了《工廠法》(Factory Act),規範合法工作年齡和時數。[1]現在 COVID-19 又把部份勞工趕回去,在家工作的現象,竟讓英國企業動了「善用」童工的念頭……。

學童成為人工智慧幕後推手

橡樹國家學院(the Oak National Academy)宣傳圖片。圖/橡樹國家學院

2020 年英國政府因應 COVID-19 疫情,成立了「橡樹國家學院」(the Oak National Academy)網路平台,提供線上教學課程。這招多少能挽救受學校停課影響的教學品質,但解決不了封城或隔離期間課後活動的匱乏,無聊到快抓狂的孩子,差點逼瘋在家工作的家長。此時,數位病理科技集團 PathLAKE 橫空出世,為家長分憂,「順便」利用學童來發展人工智慧。[2]

  • 人工智慧(artificial intelligence)的「機器學習」(machine learning),大略分為三種:
  1. 監督式機器學習(supervised machine learning):把標註好的資訊,餵給機器。由於標註的步驟是人類執行的,機器在學習的過程中,會逐漸朝人類設定的目標,愈加精準。[3]
  2. 非監督式機器學習(unsupervised machine learning):要求程式從未標註的資料中,找出現象或模式。在人類沒有插手的狀況下,有時會得到出乎意料的結果。[3]
  3. 增強式機器學習(reinforcement machine learning):設下獎勵機制,讓機器從嘗試中學習。例如:告訴自駕車它在行駛中,做對了哪個決定。[3]

PathLAKE 集團想做的是病理圖像的「監督式機器學習」。然而,標註資料的工作耗時費力,近年選擇從事病理科工作的醫師比例又大不如前。於是,「童工」就成為填補業界人力空缺的另類解方。

PathLAKE 的策略,大致上是這樣的:首先,昭告天下說這裡有個線上課外活動,即將開放給學童參加。拐來一票願意簽署同意書的家長後,先教他們的小孩癌細胞長怎樣。等小鬼頭們學得差不多,便可以玩遊戲闖關,藉此驗收他們的學習成果。依循此模式,將來或許就能聘僱為數龐大的「童工」,來標註病理圖像,然後再以此數據資料訓練人工智慧機器。[2]

「打敗病理學家」細胞形態辨識競賽

PathLAKE 集團舉辦的活動分二個梯次,每次都招募 3 個不同年齡層的學童:4 到 11 歲、11 至 16 歲以及 16 到 18 歲。他們透過網路學習基礎的「細胞形態學」(cell morphology),以辨識乳癌細胞染色影像的 4 種類型:陽性癌細胞(positive tumour cell)、陰性癌細胞(negative tumour cell)、陽性非癌細胞(positive non-tumour cell),還有陰性非癌細胞(negative non-tumour cell)。課程結束,便參與競賽。[2]

競賽題目示意圖。圖/參考資料 2

以下是二個梯次競賽部份的內容與差異:[2]

  • 測試版競賽(Pilot competition): 
  1. 關卡:遊戲總共有三關,關卡名稱「微辣」(Mild)、「中辣」(Hot)、「大辣」(Spicy),聽起來頗像麻辣鍋的辣度分級……,每一關分別有 20、30 和 50 張影像,要參賽者辨識。
  2. 成績:報名並完成線上課程的 28 名學童中,僅有 5 人參加競賽。其中只有 1 人成功地從「微辣」晉級到「中辣」,而「特辣」根本沒人玩。教學和遊戲的難度,明顯須要調整。
  • 主要競賽「打敗病理學家」("Beat the Pathologists"):

有了上一梯次的經驗,PathLAKE 團隊修改設計,於 2020 年 10 月的「牛津科學節」(the Oxford Science Festival)推出「打敗病理學家」活動。

  1. 關卡:這回有「微辣」(Mild)、「中辣」(Hot)、「大辣」(Spicy)以及「特辣」(Supercharger),共 4 個關卡,邀請參賽者分別得挑戰 20、40、60 和 80 張影像。
  2. 成績:總計 98 位學童登記報名中,有 95 人參與競賽。其中 91 人通過「微辣」考驗,經過層層過關斬將,最終 22 人成功解鎖(含 15 人晉級)「特辣」關卡。

成效與願景

皇家病理學家協會(the Royal College of Pathologists)在 2020 年「國家病理週」(National Pathology Week)期間,宣傳 PathLAKE 的活動。PathLAKE 集團本身也萬分滿意其成效,在 2022 年 5 月 12 日的《科學報告》(Scientific Reports)期刊中,表示「學童有精確標註細胞的高度潛力……,期望此類的競賽不光使他們對病理學和人工智慧產生興趣,還能促進病理學家與電腦科學家的合作」,並預告他們之後會推出一個標註「腺體結構」(glandular structures)的新活動。[2]

當然,看完「資方」的心得與願景,也該來瞭解一下「勞方」的處境。在英國文豪狄更斯(Charles Dickens)小說《孤雛淚》(Oliver Twist)描述的 19 世紀維多利亞時代,兒童被家長或監護人逼迫去工作,工時冗長且勞動環境惡劣。[4]

將近二個世紀的時間過去後,COVID-19 疫情期間的英國學童,是否受到相對優渥的待遇?

19 世紀礦坑童工。圖/National Museum Wales

從 PathLAKE 團隊的片面描述,我們可以得知:除了病理知識外,每位活動成員均得到參與證書一份,前三名則另有獎項。

參考資料

  1. Impact of government acts improving working conditions(BBC)
  2. Lessons from a breast cell annotation competition series for school pupils(Scientific Reports, 2022)
  3. Machine learning, explained(MIT Sloan School of Management, 2021)
  4. Children in Dickens’s Novels(International Journal on Studies in English Language and Literature, 2014)
所有討論 2
胡中行_96
63 篇文章 ・ 23 位粉絲
曾任澳洲臨床試驗研究護理師,以及臺、澳劇場工作者。 西澳大學護理碩士、國立台北藝術大學戲劇學士(主修編劇)。邀稿請洽臉書「荒誕遊牧」,謝謝。

2

8
4

文字

分享

2
8
4
機器學習 × 鈣鈦礦材料:讓 AI 設計太陽能電池!
研之有物│中央研究院_96
・2022/03/09 ・6280字 ・閱讀時間約 13 分鐘

立即填寫問卷,預約【課程開賣早鳥優惠】與送你【問卷專屬折扣碼】!

本文轉載自中央研究院研之有物,泛科學為宣傳推廣執行單位。

  • 採訪撰文|簡克志
  • 美術設計|林洵安

機器學習輔助材料設計

為了 2050 淨零排放的目標,太陽能發電為不可或缺的再生能源之一,其中「鈣鈦礦太陽能電池」是近年最熱門的研究領域,不僅成本低廉、光電轉換效率也可達到 25%。然而,鈣鈦礦材料在環境中容易降解,影響使用壽命。材料科學家為了做出效能好又穩定的鈣鈦礦「料理」,無不卯足了勁,替這道菜加上各種「食材」,但是越複雜的菜,調出好味道就越困難。人腦畢竟有限,如果交給機器呢?中央研究院「研之有物」專訪院內應用科學研究中心包淳偉研究員,他與團隊訓練了一套機器學習模型,可以又快又準的找出複雜鈣鈦礦材料的最佳化條件!

「鈣鈦礦太陽能電池」是近年最熱門的研究領域,不僅成本低廉、光電轉換效率也可達到 25%。圖/Wikimedia Commons

光電好夥伴:複雜鈣鈦礦材料

對太陽能電池來說,鈣鈦礦材料具有優異的光電性質和低生產成本,近年也廣泛應用在 LED、雷射、光感測器和光觸媒。

鈣鈦礦是什麼呢?最初是指鈣與鈦的氧化物 CaTiO3,而現在常講的「鈣鈦礦材料」為一種統稱,泛指擁有相似結構的金屬鹵化物材料,通式為 ABX3。要調配出優秀的鈣鈦礦材料並不容易,科學家必須像大廚一樣,運用各種「食材」煮出 ABX3

鈣鈦礦材料 ABX3 的結構示意圖,同一個位置可以放入不同的相應元素。資料來源/Journal of Energy Chemistry

鈣鈦礦材料 ABX3 的「食材」有哪些?

  • A 的位置:可放入 +1 價的有機或無機陽離子,例如甲胺(CH3NH3+,簡稱 MA)、甲脒(HC(NH2)2+,簡稱 FA)或銫離子(Cs+)。
  • B 的位置:可放入 +2 價的無機金屬陽離子,通常是鉛離子(Pb2+)。
  • X 的位置:可放入 -1 價的鹵素陰離子,如碘(I)、溴(Br)、或氯( Cl)離子。

由於鈣鈦礦材料在環境中容易降解、影響使用壽命。研究發現,添加多種有機和無機離子的鈣鈦礦太陽能電池可大幅提升性能和穩定性,因此科學家為了調配出最好的鈣鈦礦材料,加料不手軟,成份也愈來愈複雜。

在眾多複雜鈣鈦礦材料中,包淳偉研究員探討的是 MAyFA1−yPb(BrxI1−x)3 ,下標符號 y 和 1-y 表示相對含量,如果 MA 佔 60%、FA 就是 40%,因為 MA 和 FA 會競爭同一個位置;同理 Br 和 I 亦然。

圖片為鈣鈦礦材料通式 ABX3 對應到混合離子鈣鈦礦材料 MAyFA1−yPb(BrxI1−x)3 之示意圖。圖/研之有物

問題來了,MAyFA1−yPb(BrxI1−x)3 這個材料這麼複雜,比例要怎麼配比較好呢?「你累積的經驗越多,你就猜得越準」,包淳偉說道。

2016 年曾經有國外團隊為了找出離子濃度配方與 MAyFA1−yPb(BrxI1−x)3 元件性能的關係,不惜花重本「土法煉鋼」,分別將兩組相對含量 7 等分(0, 1/6, 2/6, 3/6, 4/6, 5/6, 1),做出 49 種不同的鈣鈦礦太陽能電池,再去測量光電轉換效率,得出最佳比例為 MA2/6FA4/6Pb(Br1/6I5/6)3 。

然而,爲何這樣的濃度配方可以得到最佳元件呢?很遺憾的,實驗團隊由於實驗表徵手段的限制,並不能解答這個重要的基礎問題。因此,實驗團隊仍然需要學生們焚膏繼晷地爆肝,用試誤法(trial and error)把最佳配方「踹」(try)出來。

國外團隊為了找到 MAyFA1−yPb(BrxI1−x)3 最佳比例,做出 49 種不同的鈣鈦礦太陽能電池,黃框處即為最佳比例。左圖為相應濃度的元件外觀,右圖為相應濃度的材料表面微結構。資料來源/Energy & Environmental Science

不過,一直反覆試誤並非好方法,畢竟每做一次實驗就是一次成本。因此,科學家也設法從理論模擬著手,包淳偉強調「模擬的好處是可以在電腦空間中創造一個最純淨的系統。」,而原子尺度模擬,更可以達到原子級的解析度,提供許多實驗無法量測的資訊。

要如何模擬一個材料系統?

材料科學注重製程(Process)、性質(Property)和結構(Structure)之間的關係。當我們對結構不夠瞭解時,往往只能透過不同的製程參數,慢慢做出我們想要的性質,可能在失敗多次之後,才能抓到一些訣竅。

理論模擬幫助科學家在做出樣品之前,先建立能量模型,找出能量最低、最穩定的微結構。當我們了解結構之後,可以避免有問題的製程參數設定,進而得到較好的材料性質。

首先,如果要知道材料性質,有個最精準也最耗時的方法:「第一原理計算」,只用量子力學原理,從頭開始把原子間的作用力和能量計算出來。

因為計算繁瑣,應用上只能模擬 1 奈米以內(10-9 公尺)的三維材料,抓到數個皮秒(10-12 秒)內的原子狀態,若再往外擴展所耗費的時間和成本難以想像。

相對地,計算材料性質也有省時省力的方法:「分子動力學模擬」,運用古典的牛頓力學,搭配統計力學去計算系統的微觀結構和能量。

分子動力學模擬大約可以模擬 100 奈米內的三維材料,抓到數個微秒(10-6 秒)內的原子狀態,可模擬的系統尺寸和時間都比第一原理計算要來得多!可惜準確度對於現在化學組成高度複雜的新穎材料而言是一個極大的挑戰。

有沒有一種方法,可以做到又快又準呢?有有有!它就是近年大熱門的「機器學習」!

圖/研之有物
第一原理計算僅適合用在 1 奈米以內尺度,計算準確耗時;分子動力學模擬可用於 100 奈米尺度,計算省時卻不夠精準;透過機器學習建立的神經網路模型,可以快速模擬 100 奈米尺度的材料,也保留高準確度。資料來源/包淳偉

時間就是金錢,請愛用機器學習!

當包淳偉看到 2016 年國外團隊的 MAyFA1−yPb(BrxI1−x)3 鈣鈦礦研究之後,他認為「結構」這塊還有很多地方可以討論,如果透過理論模擬,先找出最低能量的微結構,或許就能更有效率地探索離子濃度空間,找出決定最佳配方的關鍵要素!

由於第一原理計算和分子動力學模擬都不夠好用,包淳偉就將念頭轉到近年熱門的「機器學習」,他和團隊就先從簡單的 PbI2 開始,慢慢做到複雜的鈣鈦礦材料。一開始包淳偉的團隊使用布朗大學開發的原子尺度機器學習套件(Atomistic Machine-learning Package, AMP)來進行訓練與測試,然而,由於 AMP 套件性能無法達到預期,包淳偉團隊就走上了自行開發機器學習分子動力學模擬程式的不歸路。

訓練神經網路模型時,包淳偉採用第一原理計算的結果當作機器學習素材,並設計函數進行反饋校正,直到預測的原子能量誤差遠小於熱擾動。

這套神經網路模型如何運作?先輸入原子座標(位置向量 r),再換算成「原子指紋」(特徵向量 G,表示該原子與其他原子之間獨一無二的相對關係),之後透過神經網路,快速輸出整個材料系統的原子能量和作用力。

從輸入到輸出,要模擬原子走一個步階(註 1)有多快?假設以 2000 顆原子的計算量來看,自行開發的機器學習方法只要約 0.1 秒,第一原理計算則要花費 3 小時,足足快了十萬倍(註 2)!

包淳偉與團隊成功訓練出可以模擬複雜鈣鈦礦材料系統的神經網路模型。資料來源/包淳偉
此神經網路模型可以準確預測 MAyFA1−yPb(BrxI1−x)3 鈣鈦礦材料的系統能量和受力。縱軸表示包淳偉團隊的神經網路模型模擬結果,橫軸表示第一原理計算結果。資料來源/包淳偉

AI 告訴我們什麼?

包淳偉團隊成功訓練出來的神經網路模型,可以在 2,000 顆原子左右的材料系統上進行數百萬種可能的原子排列採樣,並計算出複雜鈣鈦礦材料的最低能量結構,模擬出不同原子在材料中最穩定的位置、它們的振動,以及它們受到擠壓時會怎麼跑。

多虧了神經網路的快速計算,即使是 MAyFA1−yPb(BrxI1−x)3 這麼複雜的系統也能處理,跑了將近 1 百萬次結構模擬,得出不同成份比例下 81 種最低能量的微結構(如下圖),這是第一原理計算絕對跑不出來的成果。

MAyFA1−yPb(BrxI1−x)3 鈣鈦礦材料的最低能量原子結構,縱軸 y 為 MA 濃度(CMA,從 MA0-FA1到 MA1-FA0),橫軸 x 為 Br 濃度(CBr,從 Br0-I1 到 Br1-I0),各自 9 等分。為求圖片簡潔,省略 x, y = 0 或 1 的結構圖。資料來源/包淳偉

找出系統最低能量的原子組態還不夠,包淳偉團隊想要進一步檢驗鈣鈦礦材料 MAyFA1−yPb(BrxI1−x)3 是否能穩定地保持混合狀態,因此計算不同濃度成份下的離子混合能 Emix(如下圖)。

  • 混合能是負的,表示系統會傾向混合在一起,這也是材料學家想要的微結構,系統會維持單一固溶相,原子和原子之間「和平共處」。
  • 混合能是正的,表示系統會傾向分離成不同成分的「相」(Phase),材料不能保持穩定的混合狀態,會析出相異固溶相,產生許多缺陷。
MAyFA1−yPb(BrxI1−x)3 鈣鈦礦材料的混合能 Emix分布,藍色表示混合能為負(維持單一固溶相),紅色表示混合能為正(析出相異固溶相),可以看到 Br 和 MA 濃度高的時候,容易析出化合物。其中,縱軸 y 為 MA 濃度(CMA),橫軸 x 為 Br 濃度(CBr)。資料來源/包淳偉

從 MAyFA1−yPb(BrxI1−x)3 混合能分布初步來看,Br 濃度(CBr)或 MA 濃度(CMA)越高的時候,混合能就越高,系統越容易析出相異的固溶相。

除了混合能之外,研究團隊更進一步檢驗了不同濃度成份下的其他結構參數,例如短程有序參數 αA-B(正值表示 A-B 析出;負值表示 A-B 混合)、晶格扭曲 ηs(shear strain)與晶格畸變 ηv(volumetric strain),觀察析出化合物時,是否真的會改變晶格的幾何結構。

為了將模擬結果和實際情況對照,包淳偉再將模擬出來的結構以第一原理計算出不同濃度成份下的材料能隙(Eg),以及用內差法比對 2016 年國外團隊的實驗數據,得出不同濃度成份下的元件短路電流(Jsc)和光電轉換效率(power conversion efficiency, PCE)。

有了這些關鍵數據,我們終於可以完成鈣鈦礦材料 MAyFA1−yPb(BrxI1−x)3 優化製程參數的最後一哩路!

鈣鈦礦材料設計最佳化!

還記得我們一開始跑模擬的目標嗎?幫助研究團隊在花大錢做實驗之前,先找出最穩定的結構,從結構參數回推好的製程參數,進而得到較好的材料性質。

那麼要如何把這麼多參數的相關性一網打盡呢?有個好工具叫「皮爾森相關性矩陣」(Pearson correlation matrix)

MAyFA1−yPb(BrxI1−x)3 鈣鈦礦材料透過機器學習方法模擬之後,計算出性質參數(Eg、Jsc、PCE)、結構參數(Emix、α、ηs、ηv)與製程參數(CMA、CBr)與之間的相關性。其中,r 為相關係數,紅色正值表示兩者正相關,藍色負值表示兩者負相關。資料來源/包淳偉

上圖的矩陣整合了結構參數、製程參數與性質參數的相關性。這張表格要怎麼解讀呢?

首先看結構參數,混合能(Emix)越高,晶格扭曲(ηs)程度越大,MA 和 FA 不互溶,Br 和 I 也不互溶,鈣鈦礦材料 MAyFA1−yPb(BrxI1−x)3 不能保持穩定的混合狀態。

再來看製程參數和結構參數,Br 的濃度(CBr)和 MA 的濃度(CMA)越高,晶格扭曲明顯增加,使得混合能越高。尤其是 Br,Br 加得越多,MA 和 FA 不互溶,Br 和 I 也不互溶,容易析出其他固體相,在材料中引入缺陷。

最後看性質參數與結構參數,會發現混合能越高,光電轉換效率(PCE)和元件短路電流(Jsc)越差。

因此,如果要提升光電轉換效率,必須降低 Br 和 MA 的摻雜濃度來減少晶格扭曲,以降低混合能,使得 MA 和 FA ,Br 和 I 都能充分混合,讓析出物和缺陷減少。使電流傳輸時不會受到材料缺陷或晶界的阻礙,光電轉換效率才會好。

要做出好的鈣鈦礦材料 MAyFA1−yPb(BrxI1−x)3 必要條件之一:「降低 Br 和 MA 的摻雜濃度,盡量讓材料維持單一固溶相」。

這就是理論模擬的科學力量,預先評估一款材料設定的製程參數好不好。如果要透過實驗方法窮舉出上述的最佳化原則,不僅金錢花費巨大,時間成本也相當高。

包淳偉與研究團隊透過近年熱門的機器學習技術,建立了模擬材料系統的神經網路模型,因為神經網路快速運算的特性,大幅降低花費時間和成本,並且模擬結果相當準確。

包淳偉團隊從簡單的化合物模擬開始,終於在 2021 年成功發表複雜鈣鈦礦材料 MAyFA1−yPb(BrxI1−x)3 的最佳化條件,成果發表在權威期刊《Journal of Physical Chemistry Letters》。

目前除了繼續改善神經網路模型之外,也開始和其他國外研究團隊合作解決混合複雜元素的材料系統問題,例如高熵合金。最近包淳偉團隊與香港研究團隊在《自然》期刊發表了一種超彈性高熵合金,而包淳偉團隊也正在使用機器學習輔助原子尺度模擬來研究它有趣的塑性變形性質。

要做出好的材料,結構、製程與性質缺一不可,機器學習輔助的模擬方法可以幫助科學家快速找到最低能量的結構,這是傳統模擬方法無法做到的。

目前除了繼續改善神經網路模型之外,最近包淳偉團隊與香港研究團隊在《自然》期刊發表了一種超彈性高熵合金,而包淳偉團隊也正在使用機器學習輔助的原子尺度模擬來研究它有趣的塑性變形性質。圖/研之有物

註解

  • 註 1:原子走一個步階的意思是:原子從某個位能井跳到下一個位能井。
  • 註 2:此為研究團隊早期模擬 MAPbI3 的成果,之後的神經網路模型效率更好。

延伸閱讀

  1. 機器學習與材料廚神的神祕Recipe
  2. 應用人工神經網路勢能場研究複雜鈣鈦礦材料微觀結構
  3. 見微知著─分子模擬的應用
  4. A highly distorted ultraelastic chemically complex Elinvar alloy
  5. Exploration of the compositional space for mixed lead halogen perovskites for high efficiency solar cells
  6. Is machine learning redefining the perovskite solar cells?
  7. Microstructure Maps of Complex Perovskite Materials from Extensive Monte Carlo Sampling Using Machine Learning Enabled Energy Model
  8. Molecular Dynamics Simulation for All
所有討論 2
研之有物│中央研究院_96
253 篇文章 ・ 2190 位粉絲
研之有物,取諧音自「言之有物」,出處為《周易·家人》:「君子以言有物而行有恆」。探索具體研究案例、直擊研究員生活,成為串聯您與中研院的橋梁,通往博大精深的知識世界。 網頁:研之有物 臉書:研之有物@Facebook