香港文匯報訊（記者 楊梓穎）微結構的定量分析長期以來是材料科學多個領域的關鍵瓶頸；儘管先進顯微技術可取得高質量材料圖像，但影像所含資訊往往難以以可靠且高效的方式解析，現有方法亦多停留在辨識簡單特徵或圖像分類，未能有效揭示不同微結構參數之間的互動，因而限制研究人員深化材料結構與性能關聯的理解，並拖慢新材料設計與優化。為回應材料科學界對數據驅動及自主化研究流程日益增長的需求，香港科技大學（科大）研究團隊成功開發人工智能（AI）工具 GrainBot，可從顯微圖像中自動提取並量化多種材料的微結構特徵，並以系統化方式把複雜影像資訊轉化為可量化數據，加速新一代材料研發進程；相關研究已發表於《Cell Press》旗下旗艦期刊《Matter》。
為突破瓶頸，科大化學及生物工程學系副教授周圓圓領導的團隊設計 GrainBot，提供涵蓋分割、特徵測量與結構相關性分析的一體化解決方案。研究團隊以卷積神經網絡實現精準晶粒分割，並結合自研算法量測晶粒面積、晶界溝槽及表面起伏凹陷等特徵，使顯微圖像可轉化為多維度的數值指標，有助建立大型而標準化的微結構數據庫，擺脫僅依賴定性觀察的限制。
團隊並以高效太陽能電池關鍵材料——金屬鹵化物鈣鈦礦薄膜驗證工具效能。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，並為每顆晶粒標註多項微結構參數；配合統計分析，可找出晶粒分佈規律及不同特徵之間以往難以量化的關係，例如晶粒尺寸、溝槽幾何形狀與表面粗糙度的隱藏關聯。
除統計分析外，研究亦結合可解釋機器學習模型以揭示微結構特徵的相互影響機制。團隊以選定晶粒測量參數為目標，訓練基於梯度提升的決策模型，並利用特徵重要性分析與特徵影響關係圖等解析工具，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郭毅可指出，此類工具可廣泛應用於新興的AI驅動科研設施。「GrainBot 展示 AI 如何把複雜顯微圖像轉化為有系統、可重複使用的數據集，便於共享與重新分析並整合至更大型研究平台；隨着科研流程逐步邁向自主化及以數據運算為主，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微結構指標，促進材料研發與優化。」他說。
周圓圓則強調，GrainBot 旨在支援需要系統化微結構定量指標的研究人員，期望工具可讓顯微表徵更順暢融入數據驅動研究與自主實驗平台。她表示，該工具提供可適應不同鈣鈦礦成分與處理條件的統一框架，降低微結構量化的操作門檻，讓缺乏專業編程或機器學習背景的研究人員亦可使用；而針對晶粒形貌的系統化分析，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 的微結構分析框架亦可延伸至鈣鈦礦以外的其他多晶薄膜材料。展望未來，團隊計劃把工具整合至不同表徵技術，並探索微結構與器件性能及長期穩定性的直接關聯。
