Новая модель измеряет дефекты, которые можно использовать для улучшения механической прочности материалов, теплопередачи и эффективности преобразования энергии. 
«Существует множество полезных дефектов, но если их слишком много, производительность может снизиться. Это открывает новую парадигму в науке о дефектах», — говорит Мингда Ли. Изображение: MIT News; iStock
В биологии дефекты, как правило, плохи. Но в материаловедении дефекты можно целенаправленно создавать, чтобы придавать материалам полезные новые свойства. Сегодня дефекты на атомном уровне тщательно вводятся в процессе производства таких изделий, как сталь, полупроводники и солнечные батареи, чтобы улучшить прочность, контролировать электропроводность, оптимизировать производительность и многое другое.
Но даже несмотря на то, что дефекты стали мощным инструментом, точное измерение различных типов дефектов и их концентрации в готовой продукции остается сложной задачей, особенно без вскрытия или повреждения конечного материала. Не зная, какие дефекты присутствуют в материалах, инженеры рискуют создавать продукцию с низкими эксплуатационными характеристиками или непредусмотренными свойствами.
Теперь исследователи из Массачусетского технологического института создали модель искусственного интеллекта, способную классифицировать и количественно определять определенные дефекты, используя данные, полученные с помощью неинвазивного метода рассеяния нейтронов. Модель, обученная на 2000 различных полупроводниковых материалах, может одновременно обнаруживать до шести типов точечных дефектов в материале, что было бы невозможно при использовании только традиционных методов.
«Существующие методы не позволяют точно и количественно охарактеризовать дефекты универсальным способом без разрушения материала», — говорит ведущий автор исследования Муян Чэн, аспирант кафедры материаловедения и инженерии. «Для традиционных методов без машинного обучения обнаружение шести различных дефектов немыслимо. Этого нельзя сделать никаким другим способом».
Исследователи утверждают, что эта модель является шагом к более точному выявлению дефектов в таких продуктах, как полупроводники, микроэлектроника, солнечные элементы и материалы для батарей.
«Сейчас обнаружение дефектов сродни поговорке о том, как увидеть слона: каждый метод позволяет увидеть лишь его часть, — говорит ведущий автор исследования и доцент кафедры ядерной науки и техники Минда Ли. — Некоторые видят нос, другие — хобот или уши. Но увидеть слона целиком крайне сложно. Нам нужны более совершенные способы получения полной картины дефектов, потому что мы должны понимать их, чтобы создавать более полезные материалы».
К Ченгу и Ли в работе над статьей присоединились научный сотрудник Чу-Лян Фу, студент-исследователь Боуэн Ю, магистрантка Ынби Ра, аспирант Абхиджатмедхи Чотраттанапитук (выпуск 2021 года), а также сотрудники Национальной лаборатории Ок-Ридж Дуглас Л. Абернати (выпуск 1993 года, доктор философии) и Йонгцян Ченг. Статья опубликована сегодня в журнале Matter.
Выявление дефектов
Производители научились точно регулировать количество дефектов в своих материалах, но измерение точных объемов дефектов в готовой продукции по-прежнему во многом остается делом случая.
«У инженеров есть много способов внесения дефектов, например, путем легирования, но они по-прежнему сталкиваются с трудностями в решении основных вопросов, таких как тип созданного дефекта и его концентрация», — говорит Фу. «Иногда они также сталкиваются с нежелательными дефектами, такими как окисление. Они не всегда знают, внесли ли они какие-либо нежелательные дефекты или примеси в процессе синтеза. Это давняя проблема».
В результате в каждом материале часто обнаруживается множество дефектов. К сожалению, каждый метод изучения дефектов имеет свои ограничения. Такие методы, как рентгеновская дифракция и аннигиляция позитронов, позволяют охарактеризовать лишь некоторые типы дефектов. Рамановская спектроскопия может определить тип дефекта, но не может напрямую определить его концентрацию. Другой метод, известный как просвечивающая электронная микроскопия, требует нарезки тонких срезов образцов для сканирования.
В нескольких предыдущих работах Ли и его коллеги применяли машинное обучение к экспериментальным данным спектроскопии для характеристики кристаллических материалов. В новой работе они хотели применить этот метод к дефектам.
Для своего эксперимента исследователи создали вычислительную базу данных из 2000 полупроводниковых материалов. Они изготовили пары образцов каждого материала: один был легирован дефектами, а другой остался без дефектов. Затем они использовали метод рассеяния нейтронов, который измеряет различные частоты колебаний атомов в твердых материалах. На основе полученных результатов они обучили модель машинного обучения.
«Это позволило создать базовую модель, охватывающую 56 элементов периодической таблицы», — говорит Ченг. «Модель использует механизм многоголовочного внимания, аналогичный тому, что используется в ChatGPT. Она аналогичным образом извлекает различия в данных между материалами с дефектами и без них и выдает прогноз того, какие легирующие примеси использовались и в каких концентрациях».
Исследователи доработали свою модель, проверили ее на экспериментальных данных и показали, что она может измерять концентрацию дефектов в сплаве, широко используемом в электронике, а также в отдельном сверхпроводящем материале.
Исследователи также многократно легировали материалы, чтобы создать множество точечных дефектов и проверить пределы возможностей модели, в конечном итоге обнаружив, что она может одновременно прогнозировать наличие до шести дефектов в материалах, при этом концентрация дефектов может составлять всего 0,2 процента.
«Мы были действительно удивлены, насколько хорошо это сработало», — говорит Ченг. «Расшифровать смешанные сигналы от двух разных типов дефектов — очень сложная задача, не говоря уже о шести».
Модельный подход
Как правило, производители полупроводников проводят инвазивные испытания лишь на небольшом проценте продукции сразу после схода с конвейера. Этот медленный процесс ограничивает их возможности по обнаружению всех дефектов.
«Сейчас люди в основном оценивают количество дефектов в своих материалах приблизительно, — говорит Ю. — Проверка этих оценок с использованием каждого отдельного метода — кропотливый процесс, который к тому же предоставляет лишь локальную информацию в пределах одного зерна. Это приводит к недопониманию относительно того, какие дефекты, по мнению людей, присутствуют в их материале».
Результаты оказались захватывающими для исследователей, но они отмечают, что их метод измерения частот колебаний с помощью нейтронов будет сложно быстро внедрить в собственные процессы контроля качества компаниями.
«Этот метод очень эффективен, но его доступность ограничена», — говорит Ра. «Вибрационные спектры — это простая идея, но в некоторых установках она очень сложна. Существуют более простые экспериментальные установки, основанные на других подходах, таких как рамановская спектроскопия, которые можно было бы быстрее внедрить».
Ли говорит, что компании уже проявили интерес к этому подходу и поинтересовались, когда он будет работать с рамановской спектроскопией — широко используемой методикой измерения рассеяния света. По словам Ли, следующим шагом исследователей станет обучение аналогичной модели на основе данных рамановской спектроскопии. Они также планируют расширить свой подход для обнаружения объектов, которые крупнее точечных дефектов, таких как зерна и дислокации.
Однако на данный момент исследователи считают, что их исследование демонстрирует неоспоримое преимущество методов искусственного интеллекта в интерпретации данных о дефектах.
«Для человеческого глаза эти сигналы дефектов будут выглядеть практически одинаково, — говорит Ли. — Но способность ИИ распознавать образы достаточно хороша, чтобы различать разные сигналы и добираться до истины. Дефекты — это палка о двух концах. Существует много хороших дефектов, но если их слишком много, производительность может снизиться. Это открывает новую парадигму в науке о дефектах».
Данная работа частично финансировалась Министерством энергетики и Национальным научным фондом.
Источник: news.mit.edu
