香港科技大学（HKUST）研究团队开发了一款名为GrainBot的人工智能工具包，可自动从显微镜图像中提取并量化多种微观结构特征，旨在为材料科学日益增长的数据驱动研究与自主化流程提供标准化、可复用的定量数据支撑。

相关研究以《GrainBot：量化材料中多变量微观结构无序性》为题，已发表于《Matter》。

研究团队指出，微观结构量化长期是材料科学与工程领域的基础难题。尽管现代显微技术能够获取高分辨率图像，但图像信息在一致性与规模化分析方面仍面临挑战。现有方法多聚焦于简单特征识别或图像分类，难以揭示不同微观结构参数之间的相互作用，从而限制了对结构—性能关系的系统理解，并影响新材料设计与优化效率。

为应对上述问题，香港科技大学化学与生物工程系副教授周元元带领团队设计了GrainBot，形成覆盖分割、特征测量与相关性分析的集成流程。该工具包采用卷积神经网络实现晶粒的精确分割，并结合定制算法测量晶粒表面积、晶界槽几何形状以及表面凹凸体积等指标，从而将单幅显微镜图像转化为可用于统计与建库的数值描述符。

在验证环节，团队将GrainBot应用于金属卤化物钙钛矿薄膜的原子力显微镜（AFM）图像分析。研究使用底表面形貌多样的样品构建数据库，覆盖数千个单独晶粒，并为每个晶粒标注多项微观结构参数。随后开展的统计分析显示，晶粒尺寸、槽几何形状与表面粗糙度等特征存在一般分布模式及此前难以量化的关系。

研究还引入可解释的机器学习方法以分析特征间影响机制。团队在选定晶粒描述符上训练梯度提升决策树模型，并使用特征重要性剖面与部分依赖图等解释工具，评估晶粒表面积、晶界槽角度等参数如何共同影响表面凹深或脊高。

香港科技大学计算机科学与工程系及电子与计算机工程系教务长兼讲座教授郭一可作为合著者表示，GrainBot展示了人工智能将复杂显微镜图像转化为结构化、可重复数据集的能力，这类数据集便于共享、再分析并整合进更大的研究平台。他称，随着科研流程趋向自动化与数据密集化，此类工具包有望成为未来自主实验室的重要组成部分，为材料发现与优化相关决策系统持续提供标准化微观结构指标。

周元元表示，GrainBot的目标是降低将显微表征纳入数据驱动研究与自主实验室平台的门槛，并为不同钙钛矿成分与加工条件提供统一框架，使缺乏专业编码或机器学习经验的用户也能开展微观结构量化工作。她同时指出，工具对晶粒形态的系统视角——包括晶界槽、凹陷与凸起脊——对理解并提升钙钛矿太阳能电池的长期稳定性具有意义。

研究团队称，除钙钛矿材料外，GrainBot也为其他多晶薄膜的微观结构分析提供了可借鉴的框架。下一步，团队计划将GrainBot与多种表征技术进一步集成，以探索微观结构与器件性能及长期稳定性之间的直接关联。