AIによる欠陥検出は、半導体の6つの原子レベルの欠陥を非侵襲的にマッピングできますか？

MITの研究者たちは、サンプルを切断したり損傷させたりせずに、材料中の微小な欠陥を検出するためのai欠陥検出を用いた新しいアプローチを開発した。

AIモデルは原子スケールの欠陥を対象にする

材料科学において、微視的な欠陥は負債というより資産になり得ます。意図的に設計された欠陥はしばしば、機械的強度、熱伝達、またはエネルギー変換効率を高めるからです。とはいえ、完成品におけるこれらの欠陥を正確にマッピングすることは、長い間エンジニアにとって大きな課題でした。

この問題に取り組むため、MITのチームは、非侵襲の中性子散乱技術のデータを用いて原子スケールの欠陥を分類し、定量化するAIモデルを構築しました。このシステムは、2,000種類の異なる半導体材料で学習されており、従来のアプローチでは達成できない、最大6種類の点欠陥を同時に検出できます。

「既存の手法では、材料を破壊することなく、欠陥を普遍的で定量的な方法で正確に特性評価できません」と、材料科学・工学部門の博士課程候補者であるMouyang Cheng（ムーヤン・チェン）は説明します。さらに彼は、機械学習がなければ、1つの解析で「6種類の異なる欠陥タイプを解きほぐすこと」は「考えられない」と述べています。

研究者らは、この能力が半導体、マイクロエレクトロニクス、太陽電池、先進的なバッテリー材料などの製品における欠陥のはるかに精密な制御へ向けた一歩だと主張しています。とはいえ彼らは、複雑な欠陥地形の「全体像（full elephant）」を見るには、補完的な手法が依然として必要だと強調しています。

従来の欠陥解析の限界

メーカーはドーピングのような手法によって意図的に欠陥を導入することに習熟していますが、欠陥濃度を定量化することは、ほとんどが推定の領域にとどまっています。「欠陥を導入する方法は、ドーピングのようにたくさんありますが、何の種類の欠陥が、どの濃度で作られたのかといった基本的な問いに対しては、依然として苦労しています」と、ポスドク研究員のChu-Liang Fu（チュー＝リャン・フー）は言います。

酸化や、合成中に導入された不純物といった望ましくない欠陥は、状況をさらに複雑にします。しかし、欠陥を調べるために確立された各手法には厳しい制限があります。X線回折とポジトロン消滅では特定の欠陥タイプしか特性評価できず、一方でラマン分光は欠陥カテゴリを示せても、濃度を直接には示せません。

もう1つ広く使われている手段である透過電子顕微鏡は、観察のために試料の極薄スライスを切り出す必要があります。これは侵襲的であり、完成部品に対する高スループットな品質管理には適していません。その結果、多くの材料には複数の、十分に定量化されない欠陥集団が潜んでおり、メーカーが十分に理解していない形で性能を低下させる可能性があります。

中性子データでモデルを訓練する

以前の研究で、主任研究者のMingda Li（ミンダ・リー）と共同研究者たちは、分光データに対して機械学習を適用すると結晶材料を分類できることを示しました。この研究では、チームはその戦略を、欠陥とその濃度に特に焦点を当てるように拡張しました。

チームはまず2,000種類の半導体材料からなる計算上のデータベースを構築し、次に各材料についてサンプル対を作成しました。1つは無傷（プリスティン）、もう1つは特定の欠陥を導入するためにドープしたものです。すべてのペアで同じ中性子散乱技術を用い、固体材料中の原子の振動周波数を測定し、豊富なデータセットを作成しました。

「これは、周期表の56元素をカバーする基礎モデルを構築したものです」とChengは述べます。このネットワークは、ChatGPTのようなツールの基盤となっているのと同じマルチヘッド・アテンション機構を使います。さらに、欠陥のないサンプルとドープしたサンプルの間の振動スペクトルにおける微妙な違いを抽出することを学習し、その後、どのドーパントが存在し、どの濃度で存在するのかを予測します。

システムを微調整し、実験測定で検証した後、研究者らは、エレクトロニクスで広く使われる合金において、また別個の超伝導体材料において、モデルが欠陥濃度を正確に推定できることを示しました。これは、このアプローチが単一の化合物に限定されないことを実証したものです。

複数の点欠陥を同時に定量化する

枠組みの限界を探るため、科学者たちは特定の材料を複数回ドープして、いくつかの種類の点欠陥を同時に導入しました。そして、モデルに対して、ニュー トンの振動データだけからこれらの欠陥のタイプと相対量の両方を復元するよう求めました。

AIは、単一の材料中で最大6種類の異なる点欠陥を予測でき、また欠陥濃度を0.2パーセントまで低いレベルで解明できることが分かりました。ただし、この性能の高さは、チーム自身でも驚きでした。「2種類の欠陥からなる混合信号をデコードするのが非常に難しいのに、ましてや6つとなると、なおさらです」とChengは述べています。

研究者らによれば、この中間領域での実験は、ai欠陥検出が、人間の分析者にはほぼ同一に見えてしまうであろう重なり合うスペクトルパターンをどのように識別できるかを示しています。さらに結果は、彼らが「欠陥を意識した（defect-aware）」材料工学と呼ぶものに向けた、より体系的な道筋を示唆しています。

ラボの手法から産業ツールへ

現在の半導体およびマイクロエレクトロニクスの製造では、企業は通常、侵襲的な特性評価によって完成品のごく一部だけを検査しています。このワークフローはフィードバックを遅らせ、複数のタイプが複雑に共存するときほど、すべての問題のある欠陥を見つけるのが難しくなります。

「いまのところ人々は、材料中の欠陥の量を主に推定しています」と学部研究者のBowen Yu（ボーウェン・ユー）は言います。そうした推定の確認には、複数の専門的な手法が必要で、それぞれが試料のごく小さな領域、あるいは単一の結晶粒だけを調べます。その結果、Yuが付け加えるように、メーカーは実際に存在している欠陥の種類や、その量がどれくらいかを簡単に誤解してしまいます。

MITチームのアプローチは、中性子と振動スペクトルに基づくため、より包括的な見通しを提供しますが、現時点ではほとんどの工場にとって実用的ではありません。「この手法は非常に強力ですが、その利用可能性には限界があります」と、修士課程の学生Eunbi Rha（ウンビ・ラハ）は指摘しています。さらに彼女は、振動スペクトルは概念的には単純である一方で、中性子計測のための実験装置は複雑で、大規模になりがちだと説明しています。

そのためLiと共同研究者らは、より利用しやすい経路を探っています。企業はすでに半導体の欠陥検出にラマンベースのツールを広く活用しており、いくつかの産業パートナーは、同様のAI駆動モデルが中性子の代わりにラマンデータで動作できるのはいつかと尋ねています。

より広範で、非侵襲な欠陥マッピングへ

この需要に応える形で、研究者らは、彼らの中性子ベースのシステムを模したラマン分光モデルを開発しようと計画しています。そこでは、中性子ではなく光の散乱に依存します。同時に、点欠陥を超えて、粒界や転位のような、材料性能にも影響するより大きな構造的特徴を捉えるように枠組みを拡張することも目指しています。

論文の共著者であるOak Ridge National Laboratory（オークリッジ国立研究所）のYongqiang Cheng（ヨンチャン・チェン）とDouglas L Abernathy（ダグラス・L・アバーナシー）PhD ’93にとって、この取り組みは、高度な分光ツールと人工知能を組み合わせることで物質に関する新しい見方が開けることを示しています。とはいえ彼らは、モデルが拡大するにつれて、実験による検証は引き続き不可欠であると強調しています。

最終的に、チームは自分たちの研究を、さまざまな計測プラットフォームでaiパワーの欠陥検出を展開するための概念実証（proof of concept）だと見ています。人の目には、Liによれば、振動スペクトルにおける欠陥の信号はしばしばほぼ同一に見えます。それでもAIのパターン認識なら、微妙な違いを切り分け、定量的な精度で真の欠陥地形を推定できます。

「欠陥はこの両刃の剣です」とLiは観察します。「良い欠陥もたくさんあるのですが、欠陥が多すぎると性能が低下し得ます。これは欠陥科学における新しいパラダイムを切り開きます。」ジャーナルMatterに掲載されたこの研究は、エネルギー省（Department of Energy）および米国国立科学財団（National Science Foundation）の支援を受け、2021年にさかのぼる取り組みに基づいています。

まとめると、MITのチームは、AIが中性子散乱の振動データと組み合わさることで、複数の原子スケールの欠陥を同時にマッピングでき、より精密に設計された材料へ向けた強力な非侵襲的ルートを提供できることを示しました。