传统功能材料的研发往往依靠耗时且成本高昂的反复试验法，令研发由初步发现到实际应用可能需时超过20年。为此，香港理工大学应用物理学系助理教授杨明教授利用大数据及人工智能，为电子与能源技术研发寻找先进材料，大幅提升当中的速度、准确度以及效率，彻底改变了整个研发过程的运作模式。
与传统数据库或搜索引擎的被动检索功能不同，人工智能模型能够主动从大型数据网络中自行学习，模拟材料行为特质、提出假设，并改进实验参数。这不仅让研究人员能探索现有信息，更可加速新材料的研制、发掘未知的规律。
杨教授的研究所运用的是高通量第一性原理计算与人工智能结合的方法，通过量子力学与机器学习为基础的自动化模拟方法，无须实验便能评估物料的特性。在研发下一代二维电子装置的「高介电常数物料」中，杨教授从超过14万种已知物质中开始探索，按带隙与介电常数等因素作筛选，最终锁定约1,000个具有潜力的候选材料，再透过半自动化模拟进一步筛选至约20种高性能介电材料，整个流程比传统方法快约4倍。
杨教授研究的创新之一，是将物理知识嵌入到人工智能模型，让模型以物理学思维去学习和分析信息，提升模型的准确性、减少对大量数据的依赖、降低能源消耗，同时提升模型的可解释能力。团队最近更将不同材料的短程相互作用信息编入到图神经网络之中，令模型在预测吸附特性或缺陷行为等复杂材料特质时更具效能。
虽然取得突破，面对庞大的数据，模型仍需更强的运算能力与算法。不过，随着图形处理芯片、并行运算技术，以及代理模型与主动学习等方法不断进步，发现新材料的速度正不断加快。
杨教授的研究有助推动更快速、更低成本以及更可持续的材料科技的研究与发展，亦能协助香港迈向全球人工智能驱动材料科学研究的领先地位。
资料来源: PolyU Science Newsletter
