米乐m6官方网站（以下简称“AIST”）多材料研究部研究员中岛由纪、研究组组长福岛学、古岛亮一首席研究员、丸山丰首席研究员、NGO MINH CHU 特别研究员、Tatsuki Daishi 客座研究员等氮化硅陶瓷使用 AI 技术创建具有所需性能的氮化硅陶瓷结构的模型图像，该技术可预测 8510_8564|生成对抗网络 (GAN)通过虚拟实验。氮化硅陶瓷可实现高效的功率转换和控制，使其成为下一代电动汽车等的理想选择。电源模块有望广泛应用于电路板。然而，氮化硅陶瓷在陶瓷材料中具有特别复杂的微观结构，利用常规测量方法很难快速获得所需的物理性能，因此材料开发需要花费大量时间。新开发的技术能够产生氮化硅陶瓷的精细结构图像。断裂韧性相关的实验数据训练的人工智能（AI），我们开发了一种技术，可以在计算机上高精度预测断裂韧性（抗断裂性的指标），并生成氮化硅陶瓷结构的模型图像。该技术的部分内容将于2022年9月26日（当地时间）发布。美国陶瓷学会杂志》杂志。
汽车和铁路电机驱动控制以及太阳能发电等应用需要能够高效转换和控制电力的功率模块，而断裂韧性是一个重要特性，因为它决定了功率模块的抗断裂能力。绝缘散热板，其中氮化硅陶瓷(Si3N4)正在引起注意。氮化硅陶瓷不能简单地通过加热形成致密结构，因此必须与烧结助剂一起在高温下加热形成熔体。氮化硅陶瓷的微观结构随烧结助剂的种类和用量、烧结温度、烧结时间以及所得材料的不同而变化很大力量，断裂韧性和导热率相差数倍。在模拟半导体器件高发热和寒冷地区使用的功率模块热循环测试中，即使是弯曲强度为1 GPa的氮化硅陶瓷，在几个循环后也会损失其初始强度约70%。然而，在AIST，10 MPa·m1/2的高断裂韧性，即使在超过1000次的热循环测试后仍能保持高弯曲强度。
为了获得高断裂韧性，需要根据工程师多年的经验来选择烧结条件和辅助材料，以及综合样机制作和物理性能评估。在此背景下，为了应对最近对氮化硅陶瓷的需求增加并加速材料开发，需要一种能够加快断裂韧性评估并为无数制造条件提供指导而不依赖工程师的经验或直觉的技术。作为解决这些问题的技术，材料信息学和过程信息学深度学习等AI技术的使用（深度学习）令人期待，但目前还没有AI技术可以应用于氮化硅陶瓷等复杂结构材料的报道。
氮化硅具有高断裂韧性，有望作为功率模块的陶瓷基板。 AIST正在开发高导热性氮化硅陶瓷，介电强度10362_10642https://wwwaistgojp/aist_j/press_release/pr2011/pr20110906/pr20110906html）。此外，氮化硅陶瓷基板虽然厚度为32μm，超薄，但具有28kV的高介电强度电压，在世界上首次被证明足以高于下一代电动汽车的850V工作电压（2021年11月25日，AIST新闻公告）https://wwwaistgojp/aist_j/press_release/pr2021/pr20211125_2/pr20211125_2html）。氮化硅陶瓷的断裂韧性值在用作功率模块时很重要，但目前还没有预测断裂韧性或预测具有所需断裂韧性的精细结构图像的例子。因此，在这项研究中，我们着手：1）使用人工智能从组织图像中准确预测断裂韧性，这需要专业知识并且需要很长时间来测量；2）使用人工智能生成具有高断裂韧性的氮化硅陶瓷结构的模型图像。关于1)，无需任何专业知识，就可以在计算机上轻松准确地预测断裂韧性。关于2），可以从存在的无数制造条件中提取应该优先考虑的项目，并且可以在不依赖经验和直觉以及进行实验的情况下提出最佳的成形方法和烧结条件，从而加速材料的开发。
氮化硅陶瓷的复杂微观结构由孔隙、晶界玻璃相、细晶粒和生长的柱状晶组成，被认为与机械性能有很强的相关性。新开发的方法是利用组织图像和有关断裂韧性的实验数据来训练人工智能，(1)高度准确地预测未学习的组织图像的断裂韧性，同时确认人工智能关注的区域，(2)使用条件生成对抗网络（C-GAN）生成具有高断裂韧性的氮化硅陶瓷结构的模型图像。 6~10MPa·m1/2的氮化硅陶瓷标本，并通过平移、旋转和转位相结合的方式从获得的组织图像（图1a）中剪切出多个小图像。卷积神经网络 (CNN)当我们对未用于学习的样本进行回归预测和验证断裂韧性时，与需要数百到数千个样本的正常人工智能学习相比，即使使用少量样本，我们也能够获得较高的预测精度（图1b）。另外，可视化 AI 关注的部分 (Grad-CAM)结果，我们发现 AI 在预测断裂韧性时重点关注粗柱状颗粒（图 1c 中红色部分）。未来的挑战包括进一步提高未用于学习和应用到各种烧结助剂的数据的性能。
图1：(a)氮化硅陶瓷的典型结构图像和(b)断裂韧性测量值与AI预测值之间的相关性，
和 (c) 使用 Grad-CAM 实现兴趣点的可视化
接下来，我们了解了实验组织图像数据的特征，并生成了具有特定断裂韧性的组织的模型图像。人们可以学习构成氮化硅陶瓷的复杂而精细的显微组织图像（图 2a），并获得人工智能生成的图像，忠实地再现每个细节（图 2b）。 AI生成的图像的特点是结构致密，几乎没有孔隙，因此应优先考虑致密化，并且它可以为考虑制造工艺提供指导。现阶段，需要将图像与工程师的经验进行比较，并将其应用于材料开发，因此未来的挑战是开发过程信息学，从生成的组织图像中自动提取要考虑的过程条件，而不依赖于工程师的经验或直觉。
图2(a)氮化硅陶瓷的典型结构图像（实验数据）
(b) 使用该技术由 AI 生成的氮化硅陶瓷结构的模型图像（AI 生成图像）
基于我们开发的新AI技术，我们将致力于提高对未学习数据的断裂韧性预测精度，以及开发不仅可以生成模型图像而且可以从断裂韧性中提取工艺条件的技术，并推动基于氮化硅的材料信息学和工艺信息学，例如散热基板、结构材料和多元材料。通过进一步开发这项技术，我们将通过对制造工艺的快速有效的探索，为材料开发的创新做出贡献。