如何有效利用AI
點擊案例卡片展開詳細內容。
傳統配方開發仰賴「一次改一個變數」的試誤邏輯，不僅費時，也容易錯過變數之間的交互作用。實驗計劃法（Design of Experiments, DOE）以統計方法設計實驗矩陣，用最少的實驗次數系統性地覆蓋整個條件空間，大幅壓縮找到最佳配方所需的時間與成本。
本案例導入 AI 預測模型與 DOE 的組合，進行三輪迭代式的建模與實驗驗證，每輪根據最新數據更新模型，並由模型推薦下一批最具潛力的實驗點，最終在第三輪成功達成反應率 95 以上的目標性能。
▲ 三輪迭代模型更新與實驗驗證。橫軸為實驗點序號，縱軸為反應率；紅線為目標值 95。藍、綠、橘分別代表三輪實驗結果。
在高分子材料開發中，影響物性的因子往往複雜而多元。本案例以化學知識驅動的特徵設計為核心，從分子結構資訊出發，結合分子量等高分子性質，計算出 Tg、Ed/R、D、S、P 等多種關鍵物理化學性質，作為機器學習的輸入特徵。
透過資料建模與知識化，系統從大量計測數據中萃取出有效的知識圖譜——揭示哪些結構特徵對目標物性影響最大，並以要因解析（Feature Importance）量化各因子的貢獻度，使研發決策更有所依據。
這個方法縮短了材料假設的驗證時間，讓研究人員在做實驗之前先用模型篩選候選配方，避免做無效實驗。
▲ 從分子結構與高分子性質出發，透過機器學習建構預測模型，並以知識圖譜與要因解析揭示影響目標物性的關鍵特徵因子。
expdoe-dk 是我們開發並開源的 Python 套件，將實驗計劃法（DoE）與貝氏優化（Bayesian Optimization）串接成一套完整流程，並可選擇性地把化學領域知識——如溫度效應（Arrhenius）、單調趨勢、pH 值等峰值型因子——直接注入優化模型，而非把配方最佳化當成純粹的黑箱問題。
使用流程分兩階段：先以 LHS、Sobol、Halton、D-optimal 等方法在物理單位、離散操作步階與線性限制條件下生成初始實驗點；接著進入以高斯過程（Gaussian Process）為核心的 ask–tell 迭代迴圈，模型每輪根據新數據推薦下一個最值得驗證的實驗條件，直到收斂至目標性能。
這正是「如何有效利用 AI」的核心示範：不是讓 AI 取代化工背景知識，而是讓工程師能把自己對反應機制的理解，轉化成模型看得懂的先驗假設，加速收斂並降低誤判風險。專案原始碼與範例已公開於 github.com/517justin/expdoe-dk。
▲ expdoe-dk 的實驗規劃迴圈：從設定目標與條件、注入已知經驗，到產生建議、執行並回饋結果，逐輪收斂至目標性能。