Может ли ИИ-детекция дефектов картировать шесть атомных дефектов в полупроводниках без разрушения?

Исследователи из MIT разработали новый подход, который использует ИИ для обнаружения дефектов и позволяет выявлять крошечные несовершенства в материалах без разрезания или повреждения образцов.

ИИ-модель нацелена на дефекты в атомном масштабе

В материаловедении микроскопические недостатки могут быть скорее преимуществом, чем проблемой, поскольку преднамеренно созданные дефекты часто повышают механическую прочность, эффективность теплопередачи или результативность преобразования энергии. Однако точное составление карт этих дефектов в готовых изделиях долгое время ставило инженеров в тупик.

Чтобы решить эту задачу, команда MIT создала ИИ-модель, которая классифицирует и количественно оценивает дефекты в атомном масштабе, используя данные неинвазивной методики рассеяния нейтронов. Система, обученная на 2,000 различных полупроводниковых материалах, может одновременно обнаруживать до шести типов точечных дефектов — то, чего не могут достичь традиционные подходы.

«Существующие методы не могут точно описывать дефекты универсальным и количественным способом без разрушения материала», — объясняет Моуян Чэн, аспирант кафедры материаловедения и инженерии. Кроме того, он отмечает, что без машинного обучения «разрешить шесть различных типов дефектов в одном анализе» «немыслимо».

Исследователи считают, что эта возможность — шаг к гораздо более тонкому контролю дефектов в продуктах вроде полупроводников, микроэлектроники, солнечных батарей и передовых аккумуляторных материалов. При этом они подчеркивают, что по-прежнему нужны дополнительные взаимодополняющие методы, чтобы увидеть «полного слона» сложных картин дефектов.

Ограничения традиционного анализа дефектов

Производители стали искусны в преднамеренном введении дефектов с помощью таких методов, как легирование, однако количественная оценка концентраций дефектов в основном остается задачей оценивания. «У инженеров есть много способов вводить дефекты, например через легирование, но они все равно испытывают трудности с базовыми вопросами вроде того, какой именно дефект они создали и в какой концентрации», — говорит научный сотрудник после докторантуры Чу-Лянг Фу.

Нежелательные дефекты, такие как окисление или примеси, внесенные в ходе синтеза, дополнительно усложняют картину. Однако каждый из уже известных методов исследования дефектов имеет строгие ограничения. Рентгеновская дифракция и аннигиляция позитронов могут характеризовать только определенные типы дефектов, тогда как рамановская спектроскопия способна выявлять категории дефектов, но не их концентрацию напрямую.

Еще один широко используемый инструмент — просвечивающий электронный микроскоп — требует резки ультратонких срезов образца для визуализации. Это делает метод инвазивным и неподходящим для высокопроизводительного контроля качества готовых деталей. В результате многие материалы содержат несколько популяций дефектов, которые плохо поддаются количественной оценке, и которые могут ухудшать характеристики так, что производители не понимают этого полностью.

Обучение модели на данных нейтронов

В более ранней работе ведущий исследователь Мингда Ли и его коллеги показали, что машинное обучение, примененное к данным спектроскопии, может классифицировать кристаллические материалы. В этом исследовании команда расширила эту стратегию, сосредоточившись специально на дефектах и их концентрациях.

Группа построила вычислительную базу данных из 2,000 полупроводниковых материалов, затем для каждого сгенерировала пары образцов: один исходный (чистый), один легированный для введения конкретных дефектов. Используя одну и ту же методику рассеяния нейтронов для каждой пары, они измерили вибрационные частоты атомов внутри твердых материалов и собрали богатый набор данных.

«Это позволило создать базовую модель, охватывающую 56 элементов периодической таблицы», — говорит Чэн. Сеть использует механизм многошагового внимания (multihead attention) — ту же архитектуру, что лежит в основе инструментов вроде ChatGPT. Более того, она учится извлекать тонкие различия в вибрационных спектрах между образцами без дефектов и легированными, а затем предсказывает, какие легирующие добавки присутствуют и в каких концентрациях.

После тонкой настройки системы и проверки ее экспериментальными измерениями исследователи показали, что модель может точно оценивать концентрации дефектов в сплаве, широко применяемом в электронике, а также в отдельном материале — сверхпроводнике. Это продемонстрировало, что подход не ограничивается одним единственным соединением.

Количественная оценка нескольких точечных дефектов одновременно

Чтобы проверить пределы своей концепции, ученые многократно легировали некоторые материалы, вводя одновременно несколько видов точечных дефектов. Затем они попросили модель восстановить и типы, и относительные количества этих дефектов только по данным нейтрон-вибраций.

ИИ оказался способен предсказывать до шести различных типов точечных дефектов в одном материале, а также определять концентрации дефектов вплоть до 0.2 процента. Однако уровень такой эффективности удивил даже саму команду. «Очень сложно расшифровать смешанные сигналы от двух разных типов дефектов — не говоря уже о шести», — отмечает Чэн.

По словам исследователей, этот эксперимент из «средней зоны» показывает, как обнаружение дефектов с помощью ИИ может различать перекрывающиеся спектральные паттерны, которые выглядели бы почти идентичными для человеческих аналитиков. Кроме того, результаты указывают на более систематический путь к тому, что они называют «инженерией материалов, учитывающей дефекты» (defect-aware).

От лабораторного метода к промышленному инструменту

В нынешнем производстве полупроводников и микроэлектроники компании обычно тестируют лишь небольшую часть готовых изделий с помощью инвазивной характеризации. Такой рабочий процесс замедляет цикл обратной связи и затрудняет выявление каждого проблемного дефекта, особенно когда в сложных условиях сосуществуют несколько типов.

«Прямо сейчас люди в основном оценивают количества дефектов в своих материалах», — говорит студент-исследователь Боуэн Юй. Проверка этих оценок требует нескольких специализированных методик, каждая из которых исследует лишь небольшую область или отдельное зерно образца. В результате, добавляет Юй, производители легко могут неверно интерпретировать, какие именно дефекты фактически присутствуют и в каких количествах.

Подход команды MIT, основанный на нейтронах и вибрационных спектрах, дает более полную картину, но пока он не практичен для большинства заводов. «Этот метод очень мощный, но его доступность ограничена», — отмечает студентка магистратуры Юнби Ра. Кроме того, она поясняет, что хотя вибрационные спектры концептуально просты, экспериментальные установки для измерений с нейтронами могут быть сложными и масштабными.

Поэтому Ли и его коллеги изучают более доступные пути. Компании уже широко используют рамановские инструменты для обнаружения дефектов в полупроводниках, и несколько промышленных партнеров спрашивали, когда подобная ИИ-модель сможет работать с данными рамановской спектроскопии вместо нейтронов.

К более широкому неинвазивному картированию дефектов

Отвечая на этот запрос, исследователи планируют разработать модель рамановской спектроскопии, которая будет зеркально отражать их систему на основе нейтронов, но опираться на рассеяние света вместо нейтронов. Параллельно они намерены расширить свою рамочную основу за пределы точечных дефектов, чтобы фиксировать более крупные структурные особенности — такие как зерна и дислокации — которые тоже влияют на характеристики материала.

Для Йонцянга Чэна и Дугласа Л. Абэрнэтти, PhD ’93 из Oak Ridge National Laboratory, которые стали соавторами статьи, эта работа подчеркивает, как сочетание передовых спектроскопических инструментов с искусственным интеллектом может открыть новые взгляды на вещество. Однако они подчеркивают, что по мере расширения моделей экспериментальная валидация будет оставаться необходимой.

В конечном счете команда рассматривает это исследование как доказательство концепции для внедрения обнаружения дефектов с помощью ИИ на разных платформах измерений. Для человеческого глаза, говорит Ли, сигналы дефектов в вибрационных спектрах часто выглядят почти идентично. Но распознавание паттернов ИИ может разделить тонкие вариации и вывести истинную картину дефектов с количественной точностью.

«Дефекты — это меч обоюдоострый», — отмечает Ли. «Есть много хороших дефектов, но если их становится слишком много, характеристики могут ухудшаться. Это открывает новую парадигму в науке о дефектах». Исследование, опубликованное в журнале Matter, получило поддержку от Департамента энергетики и Национального научного фонда и опирается на работы, ведущиеся с 2021 года.

Подводя итог, команда MIT показала, что ИИ в сочетании с вибрационными данными рассеяния нейтронов может картировать сразу несколько дефектов в атомном масштабе, предлагая мощный неинвазивный путь к более точно инженерируемым материалам.