AI預測材料失效！機器學習提前揪出晶粒異常生長跡象

美國裡海大學研究團隊首度透過模擬技術，成功預測多晶體材料的異常晶粒生長現象。這項突破將有助於開發更強韌、更可靠的高壓環境材料，例如應用在燃燒引擎等關鍵部件。相關研究成果已發表於《自然：計算材料學》期刊。

研究共同作者、裡海大學電腦科學與工程學系副教授陳柏彥指出：「我們不僅能預測異常晶粒生長，更能提前在材料壽命初期就做出判斷。在86%的觀察案例中，我們僅需分析材料前20%的生命週期，就能準確預測特定晶粒是否會發生異常。」

當金屬或陶瓷材料持續暴露在高溫環境下（如火箭或飛機引擎產生的極端溫度），可能導致材料失效。這類材料由許多晶粒組成，受熱時原子會移動，造成晶粒尺寸變化。若部分晶粒生長速度異常快於周圍晶粒，將改變材料特性，例如使原本具備韌性的材料變得脆弱易碎。

陳教授強調：「在材料設計階段，我們希望能主動避免異常晶粒生長的發生。」然而，預測異常晶粒生長向來如同大海撈針。任何合金的製程都存在無陣列合與濃度變化，逐一測試不僅耗時費力，實務上也難以執行。研究團隊開發的計算模擬方法，能快速排除可能發生異常晶粒生長的材質組合，大幅縮小研發範圍。

「這項成果的關鍵價值在於，當我們面對龐大的材料組合時，不必耗費大量模擬時間就能判斷異常晶粒生長是否會發生。」陳教授解釋，「我們只需最短必要的模擬時間，就能做出決策並推進研究。」

研究團隊開發的深度學習模型結合兩種技術：長短期記憶網路(LSTM)分析材料特性隨時間的演變，圖卷積網路(GCRN)則建立資料間的關聯性以進行預測。令人驚喜的是，這套系統能比預期更早發現異常跡象。

「我們原本擔心資料噪聲過大，或異常特徵僅在發生前才會顯現。」陳教授表示，「但實際結果顯示，我們能提前相當長的時間做出準確預測。」關鍵在於分析晶粒在異常發生前的演變特性，研究團隊透過對齊異常發生時間點，逆向追蹤晶粒特性變化，找出可預測的共通趨勢。

這項技術未來將應用於真實材料的影像分析，最終目標是開發出在高溫高壓環境下仍能保持穩定的先進材料，延長引擎等關鍵部件的使用壽命。此外，這套機器學習方法也能應用於預測其他領域的罕見事件，如材料相變、病原體突變或大氣條件驟變等。

論文共同作者、裡海大學材料科學與工程學榮譽教授Martin Harmer指出：「這項研究為材料科學家開啟了嶄新的可能性，讓我們能『預見未來』，以過去無法實現的方式預測材料結構演變。這對國防、航太及商業應用領域的材料設計將產生重大影響。」

[end]