MIT использует ИИ для выявления атомных дефектов в материалах

В биологии дефекты обычно считаются негативными, однако в материаловедении они могут быть намеренно настроены для придания материалам полезных новых свойств. Сегодня атомные дефекты аккуратно вводятся в процессе производства таких продуктов, как сталь, полупроводники и солнечные элементы, чтобы улучшить прочность, контролировать электрическую проводимость и оптимизировать производительность. Несмотря на то, что дефекты стали мощным инструментом, точное измерение различных типов дефектов и их концентраций в готовых продуктах по-прежнему представляет собой сложную задачу, особенно без повреждения конечного материала. Без знания о дефектах в своих материалах инженеры рискуют создавать продукты с плохими эксплуатационными характеристиками или непреднамеренными свойствами.

Теперь исследователи MIT разработали модель ИИ, способную классифицировать и количественно оценивать определенные дефекты, используя данные из неинвазивной нейтронно-рассекающей техники. Модель, обученная на 2000 различных полупроводниковых материалов, может одновременно обнаруживать до шести видов точечных дефектов в материале, что было бы невозможно с использованием традиционных методов. "Существующие методы не могут точно охарактеризовать дефекты универсальным и количественным образом без разрушения материала", - говорит ведущий автор Моян Ченг, аспирант кафедры материаловедения и инженерии. "Для традиционных методов без машинного обучения обнаружение шести различных дефектов невозможно. Это то, что нельзя сделать никаким другим способом."

Исследователи утверждают, что модель является шагом к более точному использованию дефектов в таких продуктах, как полупроводники, микроэлектроника, солнечные элементы и материалы для батарей. "В настоящее время обнаружение дефектов похоже на пословицу о том, как увидеть слона: каждая техника может видеть только его часть", - говорит старший автор и доцент ядерной науки и инженерии Минда Ли. "Некоторые видят нос, другие - хобот или уши. Но увидеть полного слона крайне сложно. Нам нужны лучшие способы получения полной картины дефектов, потому что мы должны их понимать, чтобы сделать материалы более полезными."

Производители научились настраивать дефекты в своих материалах, но измерение точных количеств дефектов в готовых продуктах по-прежнему в значительной степени является игрой в угадайку. "Инженеры имеют много способов введения дефектов, например, через легирование, но они все еще сталкиваются с базовыми вопросами, такими как какой вид дефекта они создали и в какой концентрации", - говорит Чу-Лян Фу, постдок. "Иногда у них также есть нежелательные дефекты, такие как окисление. Они не всегда знают, ввели ли они нежелательные дефекты или примеси во время синтеза. Это давняя проблема."

Результат заключается в том, что в каждом материале часто присутствует несколько дефектов. К сожалению, каждый метод понимания дефектов имеет свои ограничения. Техники, такие как рентгеновская дифракция и аннигиляция позитронов, характеризуют только некоторые виды дефектов. Рамановская спектроскопия может различать тип дефекта, но не может непосредственно определить концентрацию. Другой метод, известный как трансмиссионная электронная микроскопия, требует от людей нарезать тонкие срезы образцов для сканирования.

В нескольких предыдущих работах Ли и его коллеги применяли машинное обучение к экспериментальным данным спектроскопии для характеристики кристаллических материалов. Для новой работы они хотели применить эту технику к дефектам. Исследователи создали вычислительную базу данных из 2000 полупроводниковых материалов. Они сделали пары образцов каждого материала, один из которых легирован для введения дефектов, а другой оставлен без дефектов, затем использовали нейтронно-рассекающую технику, которая измеряет различные вибрационные частоты атомов в твердых материалах. Они обучили модель машинного обучения на полученных результатах.

Модель охватывает 56 элементов периодической таблицы. Она использует механизм многоголового внимания, аналогичный тому, что использует ChatGPT. Она извлекает разницу в данных между материалами с дефектами и без них и выдает предсказание о том, какие легирующие вещества были использованы и в каких концентрациях. Исследователи доработали свою модель, проверили ее на экспериментальных данных и показали, что она может измерять концентрации дефектов в сплаве, который обычно используется в электронике, и в отдельном сверхпроводящем материале. Они также легировали материалы несколько раз, чтобы ввести несколько точечных дефектов и протестировать пределы модели, в конечном итоге обнаружив, что она может делать предсказания о до шести дефектах в материалах одновременно, при концентрациях дефектов до 0,2 процента.

Исследователи были приятно удивлены тем, что модель сработала так хорошо. "Это очень сложно декодировать смешанные сигналы от двух различных типов дефектов — не говоря уже о шести", - говорит Ченг. Обычно производители, например, полупроводников, проводят инвазивные тесты на небольшом проценте продуктов, которые выходят с производственной линии, что является медленным процессом и ограничивает их способность обнаруживать каждый дефект. "Сейчас люди в основном оценивают количество дефектов в своих материалах", - говорит Боун Ю. "Это трудоемкий процесс проверки оценок с использованием каждой отдельной техники, которая в любом случае предоставляет только локальную информацию в одной зерне. Это создает недопонимания о том, какие дефекты, по их мнению, есть в их материале." Результаты были захватывающими для исследователей, но они отмечают, что их метод измерения вибрационных частот с помощью нейтронов будет сложно быстро внедрить в процессы контроля качества компаний.