香港科技大学（科大）研究团队成功开发人工智能（AI）工具GrainBot，能从显微图像中自动提取并量化多种材料的微结构特征。GrainBot旨在应对材料科学领域对数据驱动及自主研究流程日益增长的需求，提供系统化的方法将复杂图像信息转化为可量化数据，从而加速新一代材料的研发进程。

微结构的定量分析一直是材料科学多个领域的关键难题。尽管先进显微技术能够获取高质量的材料图像，但其中蕴含的信息往往难以通过可靠且高效的方式进行分析。现有方法多聚焦于识别简单特征或进行图像分类，难以揭示不同微结构参数之间的互动关系，阻碍了研究人员深入理解材料结构与性能的关联，减缓新材料的设计与优化。

为突破此瓶颈，由科大化学及生物工程学系副教授周圆圆教授领导的团队设计出GrainBot，为分割、特征测量和结构相关性分析提供一体化解决方案。研究团队利用卷积神经网络实现精确的晶粒分割，并结合自研算法测量晶粒面积、晶界沟槽以及表面起伏凹陷等特征。GrainBot能将显微图像转化为多维度的丰富的数值指标，有助研究人员建立大型及标准化微结构数据库，摆脱仅依赖定性观察的限制。

研究团队将GrainBot应用于一款高效太阳能电池关键材料——金属卤化物钙钛矿薄膜，以验证工具的效能。透过分析不同底部表面形貌样本的原子力显微镜图像，GrainBot成功建构涵盖数千颗独立晶粒的数据库，每颗晶粒均标注多项微结构参数。配合统计分析，便能找出晶粒普遍分布的规律，以及不同特征之间过往难以量化的关系，例如晶粒尺寸、沟槽几何形状与表面粗糙度等的隐藏关联性。

除分析统计外，研究更结合可解释的机器学习模型，以揭示微结构特征的相互影响机制。团队以选定的晶粒测量参数为目标，训练基于梯度提升的决策模型，并运用特征重要性分析与特征影响关系图等解析工具，便能探讨晶粒表面积与晶界沟槽等参数如何共同影响表面凹深或凸脊高度。

科大首席副校长、计算机科学及工程学系与电子及计算机工程学系讲座教授、亦是论文共同作者的郭毅可教授表示，此类工具将可广泛应用于新兴的AI驱动科研设施。他指出：“GrainBot展示AI如何把复杂的显微镜图像转化为有系统、可重复使用的数据集，方便共享、重新分析，更能整合至更大型的研究平台。随着科研工作流程逐步迈向自主化，并以数据运算为主，此类工具将成为未来自主实验室的核心驱动引擎，持续为决策系统提供标准化的微结构指标，促进材料研发与优化。” 

周教授强调，工具的目标在于支援需要系统化、微结构定量指标的研究人员，他表示：“我们希望GrainBot有助显微表征更顺畅地融入至数据驱动研究和自主实验平台。此工具提供一个可适应不同钙钛矿成分与处理条件的统一框架，降低进行微结构量化的操作门槛，让没有专业编程或机器学习背景的研究人员也能使用。这种针对晶粒形貌(包括晶界沟槽、凹面与凸脊等特征)的系统化分析，对理解及提升钙钛矿太阳能电池的长期稳定性尤为重要。”

此外，GrainBot的微结构分析框架更可应用于钙钛矿以外的其他多晶薄膜材料。展望未来，团队计划将工具整合至不同的表征技术，并探索微结构与器件性能及长期稳定性的直接关联。

这项题为“GrainBot: Quantifying Multi-Variable Microstructure Disorder in Materials”的研究已发表于《Cell Press》旗下的旗舰期刊《Matter》。