Bisakah deteksi cacat AI memetakan enam cacat atomik pada semikonduktor secara non-invasif?

Para peneliti di MIT telah mengembangkan pendekatan baru yang menggunakan deteksi cacat berbasis ai untuk mengidentifikasi ketidaksempurnaan kecil pada material tanpa memotong atau merusak sampel.

Model AI menargetkan cacat skala atom

Dalam ilmu material, cacat mikroskopis dapat menjadi aset alih-alih liabilitas, karena cacat yang direkayasa secara sengaja sering meningkatkan kekuatan mekanik, transfer panas, atau efisiensi konversi energi. Namun, memetakan cacat-cacat ini secara akurat pada produk jadi telah lama menjadi tantangan bagi para insinyur.

Untuk mengatasi masalah ini, tim di MIT telah membangun model AI yang mengklasifikasikan dan mengkuantifikasi cacat skala atom menggunakan data dari teknik hamburan neutron yang tidak invasif. Sistem ini, yang dilatih pada 2,000 material semikonduktor berbeda, dapat secara bersamaan mendeteksi hingga enam jenis cacat titik, sesuatu yang tidak dapat dicapai oleh pendekatan konvensional.

“Teknik yang ada tidak dapat mengkarakterisasi cacat secara universal dan kuantitatif tanpa merusak material,” jelas Mouyang Cheng, kandidat PhD di Departemen Ilmu Material dan Teknik. Selain itu, ia mencatat bahwa tanpa pembelajaran mesin, “memecahkan” enam jenis cacat yang berbeda dalam satu analisis “tidak terpikirkan.”

Para peneliti berpendapat kemampuan ini menandai langkah menuju kontrol yang jauh lebih halus atas cacat pada produk seperti semikonduktor, mikroelektronik, sel surya, dan material baterai berteknologi maju. Namun demikian, mereka menekankan bahwa metode komplementer masih diperlukan untuk melihat “gajah seutuhnya” dari lanskap cacat yang kompleks.

Keterbatasan analisis cacat konvensional

Produsen telah menjadi mahir dalam memperkenalkan cacat secara sengaja melalui teknik seperti doping, tetapi mengkuantifikasi konsentrasi cacat masih banyak merupakan kegiatan estimasi. “Insinyur punya banyak cara untuk memperkenalkan cacat, seperti melalui doping, tetapi mereka masih kesulitan dengan pertanyaan dasar seperti jenis cacat apa yang telah mereka ciptakan dan pada konsentrasi berapa,” kata postdok Chu-Liang Fu.

Cacat yang tidak diinginkan, seperti oksidasi atau pengotor yang diperkenalkan selama sintesis, semakin mempersulit situasi. Namun, setiap metode yang sudah mapan untuk menguji cacat memiliki batas yang ketat. Difraksi sinar-X dan anihilasi positron hanya dapat mengkarakterisasi jenis cacat tertentu, sementara spektroskopi Raman dapat mengungkap kategori cacat tetapi tidak secara langsung konsentrasinya.

Alat lain yang banyak digunakan, mikroskop elektron transmisi, memerlukan pemotongan irisan ultra-tipis dari sebuah sampel untuk pencitraan. Itu membuatnya invasif dan tidak cocok untuk kontrol kualitas berdaya tinggi pada komponen jadi. Akibatnya, banyak material menyimpan beberapa populasi cacat yang tidak terkuantifikasi dengan baik, yang dapat menurunkan kinerja dengan cara-cara yang tidak sepenuhnya dipahami oleh produsen.

Melatih model dengan data neutron

Dalam pekerjaan sebelumnya, peneliti utama Mingda Li dan rekan-rekannya menunjukkan bahwa pembelajaran mesin yang diterapkan pada data spektroskopi dapat mengklasifikasikan material kristalin. Untuk studi ini, tim memperluas strategi tersebut agar berfokus khusus pada cacat dan konsentrasinya.

Kelompok ini membangun basis data komputasional berisi 2,000 material semikonduktor, lalu menghasilkan pasangan sampel untuk masing-masingnya: satu yang murni, satu yang didoping untuk memperkenalkan cacat tertentu. Dengan menggunakan teknik hamburan neutron yang sama untuk setiap pasangan, mereka mengukur frekuensi getaran atom di dalam material padat dan menyusun kumpulan data yang kaya.

“Itu membangun model dasar yang mencakup 56 unsur dalam tabel periodik,” kata Cheng. Jaringan ini menggunakan mekanisme attention multihead, arsitektur yang sama yang menjadi dasar alat seperti ChatGPT. Selain itu, ia mempelajari cara mengekstraksi perbedaan halus pada spektrum getaran antara sampel yang bebas cacat dan yang didoping, lalu memprediksi dopan mana yang ada dan pada konsentrasi berapa.

Setelah penyetelan halus sistem dan memvalidasinya dengan pengukuran eksperimen, para peneliti menunjukkan bahwa model tersebut dapat memperkirakan konsentrasi cacat secara akurat pada paduan yang banyak digunakan dalam elektronik, serta pada material superkonduktor yang berbeda. Ini menunjukkan bahwa pendekatan tersebut tidak terbatas pada satu senyawa saja.

Mengkuantifikasi beberapa cacat titik sekaligus

Untuk menguji batas dari kerangka kerja mereka, para ilmuwan mendoping beberapa material beberapa kali untuk memperkenalkan beberapa jenis cacat titik secara bersamaan. Lalu, mereka meminta model untuk memulihkan baik jenis maupun jumlah relatif dari cacat-cacat ini hanya dari data vibrasi neutron.

AI terbukti mampu memprediksi hingga enam cacat titik berbeda dalam satu material, dan ia dapat menentukan konsentrasi cacat serendah 0.2 persen. Namun, tingkat kinerja ini bahkan mengejutkan tim. “Sangat menantang untuk mengurai sinyal campuran dari dua jenis cacat yang berbeda — apalagi enam,” catat Cheng.

Menurut para peneliti, eksperimen pada titik tengah ini menyoroti bagaimana deteksi cacat berbasis ai dapat membedakan pola-pola spektral yang saling tumpang tindih yang tampak hampir identik bagi analis manusia. Selain itu, hasilnya mengarah pada jalur yang lebih sistematis menuju apa yang mereka sebut rekayasa material “berbasis kepedulian cacat” (defect-aware).

Dari metode laboratorium ke alat industri

Dalam manufaktur semikonduktor dan mikroelektronik saat ini, perusahaan umumnya hanya menguji sebagian kecil dari produk jadi menggunakan karakterisasi yang invasif. Alur kerja ini memperlambat umpan balik dan membuat sulit untuk menemukan setiap cacat bermasalah, terutama ketika banyak jenis berkoeksistensi dengan cara yang kompleks.

“Sekarang ini, orang-orang sebagian besar memperkirakan jumlah cacat dalam material mereka,” kata peneliti sarjana Bowen Yu. Memeriksa estimasi tersebut membutuhkan beberapa teknik khusus, masing-masing hanya menguji wilayah kecil atau satu butir sampel. Akibatnya, Yu menambahkan, produsen dapat dengan mudah salah menafsirkan cacat apa yang sebenarnya ada dan dalam jumlah berapa.

Pendekatan tim MIT, yang berbasis pada neutron dan spektrum vibrasi, menawarkan gambaran yang lebih menyeluruh, tetapi belum praktis untuk kebanyakan pabrik. “Metode ini sangat kuat, tetapi ketersediaannya terbatas,” catat mahasiswa magister Eunbi Rha. Selain itu, ia menjelaskan bahwa meskipun spektrum vibrasi secara konseptual sederhana, pengaturan eksperimen untuk pengukuran neutron bisa kompleks dan berskala besar.

Karena itu, Li dan rekan-rekannya sedang mengeksplorasi jalur yang lebih mudah diakses. Perusahaan sudah menggunakan alat berbasis Raman secara ekstensif untuk deteksi cacat semikonduktor, dan beberapa mitra industri telah bertanya kapan model AI yang serupa dapat bekerja dengan data Raman, alih-alih neutron.

Menuju pemetaan cacat yang lebih luas dan tidak invasif

Menanggapi permintaan ini, para peneliti berencana mengembangkan model spektroskopi Raman yang meniru sistem berbasis neutron mereka, tetapi mengandalkan hamburan cahaya, bukan neutron. Secara paralel, mereka bertujuan memperluas kerangka kerja mereka di luar cacat titik untuk menangkap fitur struktural yang lebih besar seperti butiran (grains) dan dislokasi yang juga memengaruhi kinerja material.

Bagi Yongqiang Cheng dan Douglas L Abernathy PhD ’93 dari Oak Ridge National Laboratory, yang ikut menulis makalah tersebut, pekerjaan ini menegaskan bagaimana menggabungkan alat spektroskopi canggih dengan kecerdasan buatan dapat membuka pandangan baru tentang materi. Namun, mereka menekankan bahwa validasi eksperimental akan tetap penting seiring model diperluas.

Pada akhirnya, tim memandang studi mereka sebagai bukti konsep untuk menerapkan deteksi cacat berbasis ai di berbagai platform pengukuran. Bagi mata manusia, Li mengatakan, sinyal cacat dalam spektrum vibrasi sering tampak hampir identik. Namun, pengenalan pola oleh AI dapat mengurai variasi halus dan menyimpulkan lanskap cacat yang sesungguhnya dengan presisi kuantitatif.

“Cacat adalah pedang bermata dua,” kata Li. “Ada banyak cacat yang baik, tetapi jika jumlahnya terlalu banyak, kinerja bisa menurun. Ini membuka paradigma baru dalam ilmu cacat.” Penelitian yang diterbitkan dalam jurnal Matter ini mendapat dukungan dari Departemen Energi dan National Science Foundation, serta membangun pekerjaan yang bermula sejak 2021.

Sebagai rangkuman, tim MIT telah menunjukkan bahwa AI, ketika digabungkan dengan data vibrasi hamburan neutron, dapat memetakan banyak cacat skala atom sekaligus, menawarkan jalur noninvasif yang kuat menuju material yang direkayasa dengan lebih presisi.