Чи може штучний інтелект для виявлення дефектів безпровідно картувати шість атомних дефектів у напівпровідниках?

Дослідники з MIT розробили новий підхід, який використовує ai для виявлення дефектів, щоб знаходити крихітні недоліки в матеріалах без розрізання або пошкодження зразків.

AI-модель націлена на дефекти в атомному масштабі

У матеріалознавстві мікроскопічні вади можуть бути скоріше перевагою, ніж недоліком, адже навмисно створені дефекти часто підсилюють механічну міцність, покращують теплопередачу або підвищують ефективність перетворення енергії. Однак точне картографування цих дефектів у готових виробах давно кидало виклик інженерам.

Щоб вирішити цю проблему, команда з MIT побудувала AI-модель, яка класифікує та кількісно оцінює дефекти в атомному масштабі, використовуючи дані з ненаскрізної (неінвазивної) методики нейтронного розсіювання. Система, натренована на 2,000 різних напівпровідникових матеріалів, може одночасно виявляти до шести типів точкових дефектів — чого не можуть досягти традиційні підходи.

«Існуючі техніки не можуть точно описувати дефекти універсальним і кількісним способом без знищення матеріалу», — пояснює Моуюян Ченґ, аспірант PhD на кафедрі матеріалознавства та інженерії. Крім того, він зазначає, що без машинного навчання «розв’язати шість різних типів дефектів в одному аналізі» — «немислимо».

Дослідники стверджують, що ця здатність — це крок до набагато точнішого контролю дефектів у продуктах, таких як напівпровідники, мікроелектроніка, сонячні елементи та матеріали для передових батарей. Водночас вони наголошують, що потрібні доповнювальні методи, щоб побачити «усю слонову фігуру» складних ландшафтів дефектів.

Обмеження традиційного аналізу дефектів

Виробники досягли майстерності, цілеспрямовано вводячи дефекти за допомогою таких технік, як легування, однак кількісна оцінка концентрацій дефектів здебільшого залишається справою припущень. «У інженерів є багато способів вводити дефекти, наприклад через легування, але їм усе одно важко відповідати на базові питання на кшталт: який саме дефект вони створили і в якій концентрації», — каже постдок Чу-Лянґ Фу.

Небажані дефекти, такі як окиснення або домішки, що вводяться під час синтезу, додатково ускладнюють картину. Однак кожен усталений метод дослідження дефектів має жорсткі обмеження. Рентгенівська дифракція та позитронна анігіляція можуть охарактеризувати лише певні типи дефектів, тоді як раманівська спектроскопія може виявляти категорії дефектів, але не їх концентрацію напряму.

Ще один широко використовуваний інструмент — просвічувальний електронний мікроскоп — потребує вирізання надтонких зрізів зразка для візуалізації. Це робить підхід інвазивним і непридатним для високопродуктивного контролю якості на готових деталях. Отже, багато матеріалів мають кілька популяцій дефектів, які погано піддаються кількісній оцінці, і які можуть погіршувати характеристики способами, що виробники не повністю розуміють.

Натренування моделі нейтронними даними

У попередніх роботах провідний дослідник Мінґда Лі та його колеги показали, що машинне навчання, застосоване до спектроскопічних даних, може класифікувати кристалічні матеріали. У цьому дослідженні команда розширила цю стратегію, щоб зосередитися саме на дефектах і їх концентраціях.

Група побудувала обчислювальну базу даних із 2,000 напівпровідникових матеріалів, а потім для кожного створила пари зразків: один незайманий і один легований, щоб ввести певні дефекти. Використовуючи ту саму техніку нейтронного розсіювання для кожної пари, вони виміряли вібраційні частоти атомів у твердих матеріалах і зібрали багате за змістом датасет.

«Так була сформована базова модель, яка охоплює 56 елементів у періодичній таблиці», — каже Ченґ. Мережа використовує механізм multihead attention — ту саму архітектуру, що лежить в основі інструментів на кшталт ChatGPT. Крім того, вона вчиться витягувати тонкі відмінності у вібраційних спектрах між зразками без дефектів і легованими, а потім прогнозує, які домішки присутні та в яких концентраціях.

Після доопрацювання (fine-tuning) системи та валідації її експериментальними вимірюваннями дослідники показали, що модель здатна точно оцінювати концентрації дефектів у сплаві, широко використовуваному в електроніці, а також у відмінному надпровідниковому матеріалі. Це продемонструвало, що підхід не обмежується одним-єдиним сполукою.

Кількісна оцінка кількох точкових дефектів одночасно

Щоб перевірити межі своєї рамкової основи, вчені кілька разів легували певні матеріали, щоб одночасно ввести кілька типів точкових дефектів. Потім вони попросили модель відновити і типи, і відносні обсяги цих дефектів лише з нейтронно-вібраційних даних.

AI продемонстрував здатність прогнозувати до шести різних точкових дефектів в одному матеріалі, і міг визначати концентрації дефектів аж до 0.2 відсотка. Однак цей рівень продуктивності здивував навіть саму команду. «Це дуже складно — розшифрувати змішані сигнали від двох різних типів дефектів — не кажучи вже про шість», — зауважує Ченґ.

За словами дослідників, цей експеримент «середнього рівня» показує, як ai для виявлення дефектів може відрізняти накладені один на одного спектральні патерни, які виглядатимуть майже однаково для людських аналітиків. Більше того, результати вказують на більш систематичний шлях до того, що вони називають «матеріалознавством, орієнтованим на дефекти» (defect-aware).

Від лабораторного методу до промислового інструмента

У поточному виробництві напівпровідників і мікроелектроніки компанії зазвичай тестують лише невеликий підмножину готових виробів із застосуванням інвазивної характеризації. Такий робочий процес уповільнює зворотний зв’язок і ускладнює виявлення кожного проблемного дефекту, особливо коли кілька типів дефектів співіснують складним чином.

«Зараз люди здебільшого лише оцінюють кількості дефектів у своїх матеріалах», — каже студент-університету Боуен Ю. Для перевірки цих оцінок потрібні різні спеціалізовані техніки, кожна з яких досліджує лише невелику ділянку або один зеренний об’єм зразка. Як наслідок, Ю додає, виробникам легко неправильно інтерпретувати, які саме дефекти фактично присутні і в яких кількостях.

Підхід команди MIT, що базується на нейтронах і вібраційних спектрах, дає більш всеохопну картину, але він ще не практичний для більшості заводів. «Цей метод дуже потужний, але його доступність обмежена», — зазначає студентка магістратури Инби Рха. Крім того, вона пояснює, що хоча вібраційні спектри концептуально прості, експериментальні установки для нейтронних вимірювань можуть бути складними та великими за масштабом.

Через це Лі та його колеги досліджують більш доступні шляхи. Компанії вже широко застосовують раман-засновані інструменти для виявлення дефектів у напівпровідниках, і кілька промислових партнерів запитали, коли подібна модель на базі AI зможе працювати з даними раманівської спектроскопії замість нейтронів.

До ширшого, неінвазивного картографування дефектів

Задовольняючи цю потребу, дослідники планують розробити модель раманівської спектроскопії, яка віддзеркалюватиме їхню нейтронну систему, але покладатиметься на розсіювання світла, а не на нейтрони. Паралельно вони прагнуть розширити свою рамкову основу за межі точкових дефектів, щоб відображати більші структурні риси, такі як зерна та дислокації, які також впливають на характеристики матеріалів.

Для Йонґцяна Ченґа і Дугласа Л Абернейті (PhD ’93) з Oak Ridge National Laboratory, які були співавторами статті, ця робота підкреслює, як поєднання передових спектроскопічних інструментів із штучним інтелектом може відкрити нові погляди на речовину. Водночас вони наголошують, що експериментальна валідація залишатиметься критично важливою, коли моделі розширюватимуться.

Зрештою, команда розглядає своє дослідження як доказ концепції для розгортання ai-підсиленого виявлення дефектів на різних платформах вимірювань. Для людського ока, каже Лі, сигнали дефектів у вібраційних спектрах часто виглядають майже однаково. Проте розпізнавання патернів AI може розплутувати тонкі відмінності й відновлювати справжній ландшафт дефектів із кількісною точністю.

«Дефекти — це такий двосічний меч», — відзначає Лі. «Є багато добрих дефектів, але якщо їх стає занадто багато, продуктивність може погіршитися. Це відкриває нову парадигму в науці про дефекти». Дослідження, опубліковане в журналі Matter, отримало підтримку від Міністерства енергетики та National Science Foundation і спирається на роботи, що датуються 2021 роком.

Підсумовуючи, команда MIT показала, що AI у поєднанні з вібраційними даними нейтронного розсіювання може картографувати одразу кілька дефектів в атомному масштабі, пропонуючи потужний неінвазивний шлях до точніше інженерованих матеріалів.