MIT研究人员使用AI揭示材料中的原子缺陷

Source: MIT News - AI

请提供您希望翻译的正文内容，我将为您翻译成简体中文并保持原有的格式。

缺陷：从问题到强大工具

在生物学中，缺陷通常是有害的。但在材料科学中，缺陷可以被有意调节，以赋予材料有用的新特性。如今，原子尺度的缺陷在钢材、半导体和太阳能电池等产品的制造过程中被精心引入，以帮助提升强度、控制电导率、优化性能等。

尽管缺陷已成为一种强大的工具，但在成品中准确测量不同类型的缺陷及其浓度仍然具有挑战性——尤其是在不切开或损坏最终材料的情况下。如果不知道存在哪些缺陷，工程师就有可能制造出性能不佳或具有意外属性的产品。

现在，MIT 研究人员构建了一个 AI 模型，能够利用 非侵入性中子散射技术 的数据对某些缺陷进行分类和量化。该模型在 2,000 种不同的半导体材料上进行训练，能够同时检测材料中多达六种点缺陷——这在仅靠传统技术是无法实现的。

“现有技术在不破坏材料的前提下，无法以通用且定量的方式准确表征缺陷，” 领衔作者 Mouyang Cheng 说，他是材料科学与工程系的博士研究生。
“对于没有机器学习的传统技术来说，检测六种不同的缺陷是不可想象的。这是其他任何方式都做不到的。”

研究人员表示，该模型是更精确地在半导体、微电子、太阳能电池和电池材料等产品中利用缺陷的一个重要步骤。

“现在，检测缺陷就像那句关于看大象的说法：每种技术只能看到它的一部分。有的看到鼻子，有的看到象鼻或耳朵。但要完整看到整只大象极其困难。我们需要更好的方法来获取缺陷的全貌，因为只有了解它们，才能让材料更有用。” — Mingda Li，资深作者，核科学与工程副教授

与 Cheng 和 Li 合著本文的还有博士后 Chu‑Liang Fu、本科生研究员 Bowen Yu、硕士生 Eunbi Rha、博士生 Abhijatmedhi Chotrattanapituk ’21，以及橡树岭国家实验室的工作人员 Douglas L. Abernathy PhD ’93 和 Yongqiang Cheng。该论文今日发表于期刊 Matter。

检测缺陷

制造商已经在调控材料缺陷方面做得很好，但在成品中精确测量缺陷数量仍然大多是猜测游戏。

“工程师有很多方法引入缺陷，比如掺杂，但他们仍然在基本问题上挣扎，例如他们创造了什么类型的缺陷以及浓度是多少，” Fu 说。
“有时他们还会出现不想要的缺陷，比如氧化。他们并不总是知道在合成过程中是否引入了一些不想要的缺陷或杂质。这是一个长期存在的挑战。”

由于多种缺陷常常共存，每种表征方法只能捕捉部分信息：

• X‑射线衍射 和 正电子湮灭 只能表征某些缺陷类型。
• 拉曼光谱 能辨别缺陷类型，但无法直接推断浓度。
• 透射电子显微镜 (TEM) 需要切割样品的薄片进行扫描。

在早期工作中，Li 及其合作者将机器学习应用于实验光谱数据，以表征晶体材料。对于这篇新论文，他们将该方法扩展到缺陷上。

1. 数据库创建 – 团队构建了一个包含 2,000 种半导体材料的计算数据库。对每种材料，他们生成了一对样本：一个掺杂（有缺陷）的样本和一个原始（无缺陷）的样本。
2. 中子散射测量 – 他们使用一种中子散射技术，测量固体中原子的振动频率。
3. 模型训练 – 在得到的光谱上训练了机器学习模型。

“这构建了一个覆盖周期表 56 种元素的基础模型，” Cheng 解释道。“该模型利用了多头注意力机制，就像 ChatGPT 使用的那样。它提取缺陷材料与原始材料光谱之间的差异，并输出使用了哪些掺杂剂以及其浓度的预测。”

在对实验数据进行微调和验证后，模型能够：

• 测量一种常用电子合金中的缺陷浓度。
• 测量另一种超导材料中的缺陷浓度。

当研究人员多次掺杂材料以引入多种点缺陷时，模型成功地同时预测了 多达六种缺陷，浓度低至 0.2 %。

“我们真的很惊讶它能这么好地工作，” Cheng 说。“解码来自两种不同缺陷的混合信号已经非常具有挑战性——更别说六种了。”

模型方法

通常，半导体制造商会在产品离开生产线时对少量产品进行侵入式检测。这一缓慢的过程限制了对所有缺陷的检测能力。

“现在，人们主要是估计材料中缺陷的数量，”余说。
“使用每一种单独的技术来核对这些估计是一个费力的过程，而这些技术本身只提供单颗粒的局部信息。这会导致人们对材料中实际存在的缺陷产生误解。”

研究人员承认，基于中子的振动光谱技术尚未成为大多数公司可快速、在线使用的质量控制工具。

“这种方法非常强大，但其可用性有限，”Rha指出。
“振动光谱是一种简单的 …” (原文中引用的后续内容未翻译)

要点

MIT 团队的 AI 模型展示了 将非破坏性中子散射数据与现代机器学习相结合，能够定量识别半导体中的多种点缺陷——这一能力有望最终实现对一系列先进材料的更精确缺陷工程。

AI 驱动的缺陷检测：未来方向

Li 表示，已有公司对该方法表现出兴趣，并询问何时能够与拉曼光谱（广泛使用的光散射测量技术）结合使用。研究人员的下一步是基于拉曼光谱数据训练类似的模型。他们还计划将该方法扩展到检测比点缺陷更大的特征，如晶粒和位错。

“对人眼而言，这些缺陷信号看起来基本相同，”Li 说。“但 AI 的模式识别足够强大，能够辨别不同的信号并得到真实情况。缺陷是一把双刃剑。好的缺陷很多，但如果数量过多，性能会下降。这为缺陷科学打开了新范式。”

不过，目前研究人员认为，他们的研究展示了 AI 技术在解释缺陷数据方面的固有优势。

资助

该工作部分得到以下机构的支持：

• 美国能源部
• 美国国家科学基金会