+ 進階搜尋







[ 更多 ]
科大開發全球首個材料AI工具GrainBot 開闢微結構量化分析新途徑
03 Mar 2026
研究論文的共同作者包括首席副校長兼計算機科學及工程學系講座教授郭毅可教授（右）、化學及生物工程學系副教授周圓圓教授（左），以及周教授的博士生張雅嵐（中）。
香港科技大學（科大）研究團隊成功開發人工智能（AI）工具GrainBot，能從顯微圖像中自動提取並量化多種材料的微結構特徵。GrainBot旨在應對材料科學領域對數據驅動及自主研究流程日益增長的需求，提供系統化的方法將複雜圖像信息轉化為可量化數據，從而加速新一代材料的研發進程。

微結構的定量分析一直是材料科學多個領域的關鍵難題。儘管先進顯微技術能夠獲取高質量的材料圖像，但其中蘊含的信息往往難以通過可靠且高效的方式進行分析。現有方法多聚焦於識別簡單特徵或進行圖像分類，難以揭示不同微結構參數之間的互動關係，阻礙了研究人員深入理解材料結構與性能的關聯，減緩新材料的設計與優化。

為突破此瓶頸，由科大化學及生物工程學系副教授周圓圓教授領導的團隊設計出GrainBot，為分割、特徵測量和結構相關性分析提供一體化解決方案。研究團隊利用卷積神經網絡實現精確的晶粒分割，並結合自研算法測量晶粒面積、晶界溝槽以及表面起伏凹陷等特徵。GrainBot能將顯微圖像轉化為多維度的豐富的數值指標，有助研究人員建立大型及標準化微結構數據庫，擺脫僅依賴定性觀察的限制。

研究團隊將GrainBot應用於一款高效太陽能電池關鍵材料——金屬鹵化物鈣鈦礦薄膜，以驗證工具的效能。透過分析不同底部表面形貌樣本的原子力顯微鏡圖像，GrainBot成功建構涵蓋數千顆獨立晶粒的數據庫，每顆晶粒均標註多項微結構參數。配合統計分析，便能找出晶粒普遍分佈的規律，以及不同特徵之間過往難以量化的關係，例如晶粒尺寸、溝槽幾何形狀與表面粗糙度等的隱藏關聯性。

除分析統計外，研究更結合可解釋的機器學習模型，以揭示微結構特徵的相互影響機制。團隊以選定的晶粒測量參數為目標，訓練基於梯度提升的決策模型，並運用特徵重要性分析與特徵影響關係圖等解析工具，便能探討晶粒表面積與晶界溝槽等參數如何共同影響表面凹深或凸脊高度。

科大首席副校長、計算機科學及工程學系與電子及計算機工程學系講座教授、亦是論文共同作者的郭毅可教授表示，此類工具將可廣泛應用於新興的AI驅動科研設施。他指出：「GrainBot展示AI如何把複雜的顯微鏡圖像轉化為有系統、可重複使用的數據集，方便共享、重新分析，更能整合至更大型的研究平台。隨著科研工作流程逐步邁向自主化，並以數據運算為主，此類工具將成為未來自主實驗室的核心驅動引擎，持續為決策系統提供標準化的微結構指標，促進材料研發與優化。」

周教授強調，工具的目標在於支援需要系統化、微結構定量指標的研究人員，他表示：「我們希望GrainBot有助顯微表徵更順暢地融入至數據驅動研究和自主實驗平台。此工具提供一個可適應不同鈣鈦礦成分與處理條件的統一框架，降低進行微結構量化的操作門檻，讓沒有專業編程或機器學習背景的研究人員也能使用。這種針對晶粒形貌(包括晶界溝槽、凹面與凸脊等特徵)的系統化分析，對理解及提升鈣鈦礦太陽能電池的長期穩定性尤為重要。」

此外，GrainBot的微結構分析框架更可應用於鈣鈦礦以外的其他多晶薄膜材料。展望未來，團隊計劃將工具整合至不同的表徵技術，並探索微結構與器件性能及長期穩定性的直接關聯。

這項題為「GrainBot: Quantifying Multi-Variable Microstructure Disorder in Materials」的研究已發表於《Cell Press》旗下的旗艦期刊《Matter》。

https://hkust.edu.hk/zh-hant/news/hkust-develops-first-ai-toolkit-grainbot-automate-quantitative-microstructure-analysis
?