臺大團隊打造懂物理的AI　晶體分析快7倍

在新材料開發的過程中，材料結構判定往往是個大工程。每一種新材料都需要先對結構進行完整而細緻的檢驗與分析，才能與性能進行連結，但這一步驟常常拖慢研發進度。能否讓這一步走得更快、更有效率？

電子背向散射繞射 (electron backscatter diffraction, EBSD)，這項誕生於30年前，而現已廣泛整合於掃描式電子顯微鏡 (scanning electron microscopy, SEM) 的技術，是一種鑑定晶體種類與判定方位的重要工具。這項技術更進階應用於材料織構分析 (texture analysis)、殘留應力 (residual stress)偵測等。科學家甚至可以諸多二維EBSD數據進行三維EBSD重構，用以分析二維材料缺陷，如晶界 (grain boundaries)。然而，傳統方位索引方法在速度與精度間始終存在取捨：Houg轉換雖運算快速，但準確度有限；字典檢索 (dictionary indexing) 與全圖匹配 (full pattern matching) 雖能提升精度，卻極為耗時，並消耗大量儲存與運算資源。

臺大材料系助理教授蔡劭璞與劍橋大學博士童博彥合作，領導團隊開發出新方法Latice，透過人工智慧從數據中自動學會晶體的物理特性，成功突破上述瓶頸，讓晶體分析更快、更有效率。研究團隊採用變分自編碼器 (variational autoencoder, VAE) 處理EBSD繞射圖譜，成果顯示：一、索引速度比傳統方法快7.5倍。二、資料壓縮達99.9%，大幅降低儲存需求。三、能捕捉晶體旋轉對稱性，展現出「懂物理」的AI特質。

此研究歷時3年完成，主要由當時材料系大四專題生、後繼續於材料所完成碩士學位的劉育君同學執行。團隊感謝國科會、臺大研發處及華新麗華公司的經費支持。研究成果已成功應用於完全再結晶的316不鏽鋼晶體方位分析，並刊登於國際期刊 Cell Reports Physical Science。未來，團隊將持續推動具物理意涵的人工智慧研究，拓展其於材料科學的應用潛力。

期刊全文：https://www.cell.com/cell-reports-physical-science/fulltext/S2666-3864(25)00470-9
材料系蔡劭璞助理教授實驗室：https://www.thetsailab.com/