研發服務平台亮點成果獎─佳作獎
亮點成果：基於高速運算平台之深度學習多重應用：動態排程、智慧醫療與再生能源預測
使用平台：國家高速網路與計算中心「台灣杉二號AI超級電腦」

自2016年Google DeepMind所研發的圍棋程式AlphaGo擊敗韓國圍棋棋手李世乭後，「深度學習」技術開始以驚人的速度逐步改變我們習以為常的世界。2022年，由OpenAI所開發的大型語言模型ChatGPT，更十足預示了深度學習所帶動的科技變革，不再只是電影中的科幻場景，而是實際改變人類生活的解決方案。

其中一項便是人工智慧（AI）與醫學的融合，得益於深度學習演算法與龐大的醫療數據資料庫，現今所發展出的AI影像辨識技術，已可協助醫師更為精準地判別如皮膚癌、視網膜病變，或是乳房腫瘤影像。

傳統上，醫療診斷高度仰賴醫師的專業經驗來判讀各種複雜的數據，無論是電腦斷層掃描、磁振造影等醫學影像，或是心電圖、腦波等生理訊號。這些判讀過程不僅耗時，還可能因為龐大的工作量或病灶不明顯而導致判讀有所遺漏。AI系統的導入，正能輔助醫師處理這些龐雜的資訊，快速識別出人類專家難以察覺的微小跡象，從而實現早期發現與精準治療。

AI輔助診斷心血管疾病

心血管疾病長年為臺灣主要死因之一，AI在此領域也具備同樣的潛力。陽明交通大學工業工程與管理學系教授劉建良與臺北榮民總醫院合作，將深度學習應用於辨識那些可能罹患心血管疾病的患者心電圖（ECG）。

心電圖是一種現代醫療中普遍用於檢查心臟功能的重要工具，能記錄心臟在跳動中所產生的微弱電流，幫助醫師判斷患者的心臟活動是否正常，例如患者是否罹患心律不整、冠狀動脈疾病，或其他可能的心臟功能障礙。

然而，劉建良指出，若患者罹患某些罕見疾病，要從心電圖上確認病因，就變得相當困難，甚至可能誤判為其他較輕微的疾病，因而延誤治療時間。特別是布魯蓋達症候群（Brugada syndrome）這類心臟疾病，患者一般不會出現明顯症狀，且與心律不整、心悸等病症的症狀相似，然而布魯蓋達症候群發病時，可能會導致患者心臟衰竭，甚至猝死。布魯蓋達症候群在心電圖辨識上的困難，除了案例少，且有時需要配合藥物誘發，才能在心電圖上明顯觀察到異常波形。

針對這些痛點，劉建良團隊研發出一套深度學習模型，在數據量相對稀少的情況下，採用遷移學習 （transfer learning）技術來解決罕見疾病訓練資料不足的問題。模型首先利用數量充足的「右束支傳導阻滯 （RBBB）」的心電圖資料來訓練一個來源網路，因為RBBB與第一型布魯蓋達症候群的波形具有相似特徵；接著，將從來源網路學到的知識轉移至目標網路，再用數量有限的布魯蓋達症候群心電圖資料進行模型的微調與訓練。這項成果成功證實了AI模型的巨大潛力，能夠精準協助醫師辨識第一型布魯蓋達症候群的心電圖特徵。未來，此模型可望成為一個強大的早期篩檢工具，輔助醫師對布魯蓋達症候群做出早期且準確的診斷，同時分擔醫師的工作量，讓他們能更專注於日常看診與研究項目。

製造業轉型智慧化

除了醫療現場外，劉建良也將目光投注於工業製程，幫助業界納入深度學習技術，以提高生產製造的競爭力。臺灣製造業現已成為全球供應鏈的重要環節，半導體、電子等高科技產業更具有全球領先地位，如何維持現有優勢，並持續推動創新技術與產業升級，是接下來需要審慎面對的挑戰。

劉建良指出，在工業檢測與品質控制的應用中，儘管深度學習扮演著關鍵角色，但傳統的監督式學習方法卻面臨著瓶頸 。主要挑戰在於，工業場域中的瑕疵或異常樣本通常非常罕見，且種類變化多端，這意味著即便收集到部分瑕疵樣本，也難以涵蓋所有可能發生的缺陷類型，從而限制了模型偵測未知新瑕疵的泛用能力。

為解決這道難題，劉建良採用「單一類別學習（one-class learning）」的策略，亦即模型僅使用大量的「正常樣本」進行訓練。透過這種方式，模型能深入學習正常產品在各種特徵下的樣貌。當訓練完成後，模型便具備了精準重建正常樣本的能力，一旦在產線上遇到與正常樣本特徵不符的異常（瑕疵）樣本時，模型將無法有效重建，從而產生較高的重建誤差。基於此原理，所開發的模型不僅能判斷產品是否異常 （異常檢測），更能產生像素級的異常熱點圖，精確標示出瑕疵的所在位置（異常分割），進而實現高效且可靠的自動化品質控管。

科技製造業常遭遇的一大挑戰，是在高度複雜且充滿不確定性的製造流程中，找出最佳的生產排程。劉建良指出，真實的生產現場是一個動態環境，許多突發事件，如機台無預警故障、緊急插單等，都是不可避免的。這些事件會立即打亂原有的生產計畫，若使用傳統的靜態排程方法，就必須耗費大量時間重新運算，難以應對需要即時反應的現實需求。

為了解決這道難題，劉建良團隊開發了能進行動態決策的智慧排程框架，其核心是將深度強化學習與圖神經網路深度整合。在此框架下，複雜的工廠排程問題（包含「零工式排程」）可以轉換成一個圖（disjunctive graph）表示，其中節點代表工單的各道工序，而連結的邊則代表工序的先後順序與機台的資源限制。這個由圖神經網路萃取出的特徵，會即時提供給深度強化學習的「智慧代理人（agent）」。代理人基於當前的產線狀態，學會如何做出最佳的下一步決策，例如決定哪個工單優先派工。因此，當產線上有突發狀況時，此系統無需重新計算整個排程，代理人能直接根據更新後的現場狀態，迅速做出反應。此外，這套基於圖像化神經網路（GNN）的架構具備「規模無關性（size-agnostic）」，意味著在小型產線訓練好的模型，可以直接應用於更大型、更複雜的產線，展現了高度的彈性與泛用性，是實現智慧製造動態排程的關鍵技術。

國網中心提供充足資源

劉建良累積的豐沛研究成果，都與龐大的資訊處理與AI模型的訓練密切相關。劉建良感謝國家高速網路與計算中心（簡稱國網中心）所提供的GPU伺服器，讓他的研究團隊能夠大幅縮減深度學習模型的訓練時間。透過國網中心的開發型容器，使劉建良可短時間內完成多重超參數組合測試，有效提升模型的準確度與穩定度。

除此之外，國網中心在分散式運算與資料儲存方面也提供專業諮詢服務，讓劉建良能夠專注於醫療照護、工業排程，甚至是未來再生能源的預測研究，順利建構出更好的AI檢測模型，為跨領域研究進程上持續做出重大貢獻。