什麼是計算材料科學？

計算材料科學是一個跨學科領域，可在基礎研究和產品設計中實現更有效率的材料探索、材料設計、故障特性分析和材料建模。計算材料科學是由一套方法組成，使工程師能夠調查材料行為和材料屬性，例如機械、熱學和電磁屬性。

除了能瞭解新材料設計外，計算材料科學還能透過跨學科研究實現知識轉移。計算材料科學的進展如今讓更多產業領域設計更高效率的材料系統和效能更佳的產品，而無需多次製作原型。

許多化學和材料科學研究與開發領域都使用運算方法，包括先進材料、複合材料 (陶瓷、碳和聚合物複合材料)，以及其他固態材料。計算材料科學也延伸至許多技術應用領域，包括能源生產和半導體產業。

如今，隨著運算能力和模擬軟體的進步，計算材料科學正持續演進。

過去幾年中最顯著的趨勢之一 (現在已成為新增功能) 是製程建模的連結，以及製程如何影響材料屬性。隨著更多公司採用數位製造，計算材料科學方法能提供更多功能來瞭解和改善這些製程。

近年來，另一個蓬勃發展與應用的領域是多尺度建模，結合運算與工程技術，來預測跨多個長度尺度 (從原子層級到宏觀層級) 中可最佳化的材料屬性與材料行為。這逐漸成為設計材料時的常見模擬方法。它與穿透式電子顯微鏡 (TEM) 和掃描電子顯微鏡 (SEM) 等實驗特性分析技術相結合，從奈米尺度向上推進材料設計。

在軟體方面，就像現今許多領域一樣，目前最大的趨勢之一是人工智慧 (AI)。收到饋送的相關模擬 (和實驗) 資料時，可以使用不同的 AI 演算法，針對材料屬性和製程提供更佳的預測和最佳化資訊。這是在計算材料科學和材料資訊學領域中開始成熟的工具，在這些領域中，機器學習演算法可用於預測材料屬性並提高材料開發效率。

計算材料科學可用於瞭解低長度尺度下材料的結構和屬性，包括原子和奈米尺度層級。

除了從材料本身建模外，尺度高通量運算篩選還可以根據待製造材料的成分和晶體結構，從大型資料庫取得待製造材料的已知屬性，以識別屬性非常適合特定應用領域的材料/材料結構。由於潛在目標材料通常有多個熱門屬性，因此這種方法一次聚焦於一個屬性，隨著探索多個屬性，逐漸縮小潛在合適材料的數量。這樣一來可以節省時間和精力，因為無需執行試錯實驗方法來找到最合適的項目，並可以加速材料開發。然而，這些模擬的運算成本相當昂貴，而且需要大量時間或具備強大處理能力的電腦 (或兩者都需要)。

許多運算建模方法都是在原子層級模擬，且核心方法的許多變化已針對特定材料和應用領域進行調整。在所有方法中，密度泛函理論 (DFT)、分子動力學 (MD) 模擬和蒙地卡羅模擬最為常見：

• 密度泛函理論 (DFT)：DFT 是一種量子機械模型，可根據電子密度模擬電子在材料中的行為。這是最廣泛使用的電子結構方法，用於推算化學和能源屬性，預測材料的基態屬性 (原子的最低能量狀態) 和機械屬性。
• 分子動力學 (MD)：MD 是以物理為基礎的模型，可預測模擬中每個原子的行為方式及其如何與其他原子相互作用，並能揭示原子如何隨著時間實際移動。原子的位置和應力可用於預測材料屬性，而機器學習潛力正整合至 MD 模擬中，以提高其準確度並降低模擬的運算成本。
• 蒙地卡羅：蒙地卡羅模擬這種運算演算法，會使用重複隨機取樣來預測某項結果的可能性。這是以機率為基礎的工具，可模擬粒子相互作用和複雜系統。

許多運算工具也用於在更大尺度預測材料屬性，涵蓋材料的許多層，而不只是原子尺度。這些多尺度建模方法會觀察材料的宏觀屬性 (機械、電磁等)、調查微結構，並觀察材料在極端條件下的行為 (特別是在嚴苛應用領域中)。

較大尺度的建模方法屬於連續層級建模的範疇，並利用在較小分子尺度中獲得的資訊，與較大的材料系統建立連結。這種循序方法允許在原子層級進行更精確但運算成本高昂的建模，然後在基本要素就緒後，執行運算密集度較低的微尺度建模。

有許多運算工具可用於完整的材料系統建模，其中常見的工具包括有限元素法 (FEM)、相場方法，以及相圖與熱化學的電腦耦合 (CALPHAD)。

• 有限元素法 (FEM)：FEM 是以數值為基礎的模擬，使用微分方程式將複雜的材料系統劃分為由較小元素組成的網格，每個「元素」都可以個別調查。瞭解每個元素的行為方式，工程師就能瞭解整個材料在特定條件下的行為方式。FEM 是用於執行材料結構分析，以及調查材料的質量傳輸、流體流動和電磁屬性。FEM 的結果可以透過有限元素分析 (FEA) 來解讀。
• 相場模擬：相場模型是解決材料介面問題的數學模型。它們通常用於為材料的固化和介面動力學建模，並可用於研究機械屬性，例如斷裂力學和脆度。它們也可用於建立多相模型，根據特定參數 (例如晶體方向或特定相位) 檢視材料的微結構，並可調查具有多重熱力學相位之材料的屬性。
• CALPHAD：此模型可產生相圖，以預測材料在不同溫度和化學成分下的相位穩定性。這些模型使用材料中每個相位的熱力學屬性來執行模擬，通常用於更加理解材料在不同條件下的行為。

與任何模擬或運算方法一樣，使用計算材料科學方法有優缺點。優缺點也可能會因選擇的工具而有所不同，因為適合某材料的模擬方法不一定適合其他材料。儘管可能使用不同的運算工具組，但仍有普遍存在的優缺點。

計算材料科學的機會

• 能以目標式模擬取代試錯方法，在產品週期的早期階段中，針對材料合成與測試降低廣泛實驗開發的必要性。
• 可用於探查極特定的屬性、製程、基本機制、材料環境和應用情境，而這些難以透過實驗達成。
• 有助於縮小基礎材料科學與其他產業和應用領域之間的差距。
• 能使許多產業更加理解材料。
• 有助於最終使用者跳脫框架思考，並將材料視為設計參數，進而開發出更複雜的材料。

計算材料科學的限制

• 取得的材料結構及其屬性關係資訊有時可能過於籠統，但實驗中的大多數屬性和材料參數通常都可以量化為特定值。
• 由於某些機制的複雜性，仍需要進行實驗以正確理解材料行為。故障和損壞等現象很難只透過運算就能觀察到。
• 模擬可能受限於可用的運算能力，導致模擬時間過長。

計算材料科學的挑戰

• 投資報酬率 (ROI) 不明確，因為很難針對特定案例開發計算科學方法。
• 這是昂貴且耗時的流程，只有在重複使用方法時才有利。
• 通常需要特定的跨學科專業知識，才能充分利用運算模型的所有優點。

如先前所述，在計算材料科學中使用 AI 演算法的情況愈來愈普遍，但 AI 對材料工程和機械工程領域的工程師究竟有什麼幫助呢？

AI 在原子到微觀層級上有更多作用，並有助於改善模擬軟體的預測能力，所以能識別更準確的材料屬性。機器學習能建立與 DFT 相似的準確度，對 MD 模擬也有重大影響。(DFT 準確度通常較高。)其他 AI 應用領域正在興起，例如自動化特性分析、自駕實驗室、製程最佳化和多尺度建模。

商業 AI 技術的快速發展意味著有許多選項可用，而目前使用的 AI 正在改善材料科學資訊的可存取性。在計算材料科學中，AI 的使用仍處於轉型階段，在以下兩種情況之一發生時，可能會跨更多工具進行更廣泛的整合：

• 有技術上有使用的需求。
• 在更多材料設計領域中，材料科學社群使用這項技術變得更具成本效益。

新材料本質上變得愈來愈複雜，才能實現進階功能和特性，而且在各種材料設計階段期間，比起以前更需要充分利用所有可用工具。

Ansys (現已與Synopsys合而為一)可在宏觀尺度層級提供協助，為材料科學家提供多種模擬工具，以協助進行材料的多尺度模擬。應注意的是，在模擬材料系統的結構和屬性時，並不存在一套通用的方法。根據相關材料和應用領域而定，從 Ansys 使用的內部工具到以 Python 為基礎的方法，有廣泛組合的模擬工具可用。

以下舉例一些材料設計階段可用的 Ansys 工具：

• Ansys LS-DYNA 非線性動態結構模擬軟體：LS-DYNA 軟體可用於提供結合微尺度與宏觀尺度的多尺度模擬。
• Ansys Materials Designer 工具：Materials Designer 工具可用於探索材料網路和檢視微結構。此工具也為均質化研究提供原生附加功能及方便易用的前端。
• Ansys Granta 材料資訊、選擇和資料管理產品集合：您可以使用 Granta 軟體管理材料資料，並在設計流程中支援各種模型。Granta AI 外掛程式也可用於改善資料管理與支援。
• Ansys Minerva 模擬流程和資料管理軟體：Minerva 軟體提供安全的模擬和流程資料，以確保在整個材料設計流程中建立的所有模擬和資料都有可追溯性。
• Ansys Mechanical 結構有限元素分析軟體：透過 Mechanical 軟體，晶體塑性和 MAPDL 可用於結合微尺度與宏觀尺度的多尺度模擬。在以不同相位測試代表性單元體積 (RVE) 時，可以透過多點限制 (MPC) 模擬週期性邊界。

Ansys 將利用我們材料和模擬工程師的專業知識，量身打造符合您材料設計流程需求的方法。若要瞭解適合您材料系統的最佳工具組合，請聯絡我們的工程團隊，以取得客製化的模擬解決方案。

相關資源