時間：2025-11-28(五) 15:20 pm

講題：Data-Driven Design of Functional Inorganic Materials: From Periodic Descriptors to Inverse Design and Structure Prediction

講者：吳彥儒 博士

服務單位：日本 國立研究開發法人 物質材料研究機構（National Institute for Materials Science (NIMS), Japan）

地點：93406

主持人：田弘康 教授

摘要 :

中文摘要
人工智慧正逐步改變無機材料科學的研究模式，特別是在多元素化合物、非晶材料以及結構複雜系統中，傳統方式往往無法有效探索龐大的組成空間。本次演講將介紹「資料驅動無機材料設計框架」，以技術子設計為核心，結合機器學習模型、生成式 AI 以及結構預測方法，形成完整設計流程。演講將以三類材料為例：
1.斷熱材料：說明如何利用界面熱阻模型、多元素薄膜探索策略與資料驅動方法，協助設計具目標熱傳特性的材料。
2.固態電解質（鋰離子導體）：展示組成與結構因子的整合預測策略，並以 bond valence sum (BVS) 與結構分類模型協助驗證可能具高離子導電率的新組成。
3.鈣鈦礦介電材料：介紹使用 A/B/O site 的結構描述子、機器學習模型與資料庫分析，理解組成–結構–介電性質之間的關聯並找出具高電容率 εr 與高居禮溫度 Tc 的候選組成。
透過資料庫分析、機器學習、結構預測與實驗驗證的整合，本研究展示 AI 與材料科學在功能無機材料設計中的前瞻性與影響潛力。

英文摘要
Artificial intelligence is reshaping research strategies in inorganic materials science, particularly for complex, multicomponent, and amorphous systems where conventional exploration is inefficient. In this talk, I will introduce a comprehensive data-driven framework for functional inorganic material design. The framework integrates periodic descriptors, machine learning models, generative AI, and structure prediction, forming a unified pipeline from training and property screening to inverse design and structural generation.
Three representative material systems will be highlighted:
1.    Thermal insulating materials – showcasing interfacial thermal resistance (ITR) prediction, exploration of multi-element thin films, and low-thermal-conductivity design enabled by data-driven methods.
2.    Solid-state electrolytes – demonstrating composition–structure learning, ionic conductivity prediction, and validation via BVS and structure classification models.
3.    BaTiO₃-based ferroelectric materials – discussing the use of periodic descriptors, site distortion features, and machine learning (ML) models for predicting permittivity and Curie temperature and identifying promising compositions.
This presentation illustrates how the integration of databases, ML, and generative models can accelerate the discovery of next-generation materials for energy, thermal management, and electronic applications.

學經歷 :

2016　博士，化學與材料工程學系，國立中央大學，台灣
2016/11~　博士後研究員，日本國立物質材料研究機構（NIMS）
2020/04~　ICYS Fellow，日本國立物質材料研究機構（NIMS）
2021/10–至今　研究員，Data-driven Inorganic Materials Group，日本國立物質材料研究機構（NIMS）
吳博士目前任職於日本國立物質材料研究機構（NIMS），專長為資料驅動無機材料開發、熱傳導與界面熱阻、固態電解質、以及生成式 AI 於材料探索中的應用。他的研究重點聚焦於建立能跨越結構、性質與組成空間的材料設計方法，並結合機器學習、結構預測模型、生成式 AI，推動多元素與複雜材料的逆向設計。

研究興趣涵蓋：
•    AI 於無機材料探索、逆向設計與結構生成
•    多元素系統、非晶材料與界面材料
•    薄膜熱傳導、界面熱阻量測技術
•    固態電解質與離子傳輸