【國際日報*亮點國際新媒體香港報導】 微結構定量分析長期以來是材料科學的核心難題。香港科技大學（科大）研究團隊於2月26披露，已成功研發人工智能工具GrainBot，可自動從顯微圖像中提取並量化多種材料的微結構特徵，為材料科學領域提供系統化的數據分析方案，顯著加速新一代先進材料的研發與優化。
儘管先進顯微技術可獲取高質量材料圖像，相關信息卻難以高效、可靠地量化解析。現有分析方法大多僅能識別簡單特徵或進行圖像分類，難以揭示微結構參數之間的關聯，制約了科研人員對材料結構與性能關係的深入理解，拖慢新材料研發進程。
為突破瓶頸，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，開發出全球首個集晶粒分割、特徵測量與結構相關性分析於一體的 AI 工具 GrainBot。團隊運用卷積神經網絡實現精準晶粒分割，結合自研算法測量晶粒面積、晶界溝槽、表面起伏凹陷等關鍵特徵，將顯微圖像轉化為多維度、可量化的數據指標，助力建立大型標準化微結構數據庫。
研究團隊以新一代太陽能電池關鍵材料 —— 金屬鹵化物鈣鈦礦薄膜驗證 GrainBot 效能。透過分析原子力顯微鏡圖像，GrainBot 成功構建包含數千顆獨立晶粒的數據庫，並通過統計分析與可解釋機器學習，挖掘出晶粒尺寸、溝槽形狀、表面粗糙度等參數之間過往難以量化的隱藏關聯，為提升鈣鈦礦太陽能電池穩定性提供重要依據。
圖↑：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）
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、論文共同作者郭毅可教授表示：「GrainBot 示範了 AI 如何將複雜的顯微圖像轉化為系統化、可重複使用的數據集，可廣泛應用於 AI 驅動科研設施。隨著科研流程走向自主化與數據驅動，此類工具將成為未來自主實驗室的核心引擎。」
周圓圓教授指出：「GrainBot 旨在降低微結構量化分析的門檻，讓沒有專業編程或機器學習背景的研究人員也能輕鬆使用。這一統一分析框架可適用於不同鈣鈦礦成分與製備條件，對理解並提升鈣鈦礦太陽能電池的長期穩定性具有重要意義。」
GrainBot 的成功研發，不僅開拓了材料微結構定量分析的新路徑，更為數據驅動與自主化科研提供關鍵支撐，有望推動能源、電子、航空航天等領域關鍵材料的創新與突破。
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》。
