В материаловедении дефекты можно намеренно настраивать, чтобы придать материалам полезные новые свойства. Сегодня дефекты атомного масштаба тщательно вводятся в процессе производства таких продуктов, как сталь, полупроводники и солнечные батареи, чтобы повысить прочность, контролировать электропроводность, оптимизировать производительность и т. д.
Однако точно измерить различные типы дефектов и их концентрацию в готовых изделиях было сложной задачей, особенно без разрезания или повреждения конечного материала. Без знания о дефектах в своих материалах инженеры рискуют создать продукты с плохой производительностью или непредвиденными свойствами.
Новая модель искусственного интеллекта
Теперь исследователи MIT создали модель искусственного интеллекта, способную классифицировать и количественно определять определённые дефекты, используя данные, полученные с помощью неинвазивной техники нейтронного рассеяния. Модель, обученная на 2 000 различных полупроводниковых материалах, может одновременно обнаруживать до шести видов точечных дефектов в материале — то, что было бы невозможно с помощью одних только традиционных методов.
«Существующие методы не могут точно охарактеризовать дефекты универсальным и количественным способом без разрушения материала», — говорит ведущий автор Муян Ченг, кандидат наук на факультете материаловедения и инженерии. «Для традиционных методов без машинного обучения обнаружение шести различных дефектов немыслимо. Это то, что вы не можете сделать никаким другим способом».
Исследователи говорят, что модель — это шаг к более точному использованию дефектов в таких продуктах, как полупроводники, микроэлектроника, солнечные элементы и аккумуляторные материалы.
«Сейчас обнаружение дефектов похоже на поговорку о слоне: каждый метод может увидеть только его часть», — говорит старший автор и доцент кафедры ядерной науки и техники Мингда Ли. «Некоторые видят нос, другие — хобот или уши. Но очень сложно увидеть слона целиком. Нам нужны более совершенные способы получения полной картины дефектов, потому что мы должны их понимать, чтобы сделать материалы более полезными».
Обнаружение дефектов
Производители научились настраивать дефекты в своих материалах, но измерение точного количества дефектов в готовых изделиях всё ещё во многом является гаданием.
«У инженеров есть много способов введения дефектов, например, путём легирования, но они всё ещё борются с основными вопросами, такими как определение типа созданного дефекта и его концентрации», — говорит Чу-Лян Фу. «Иногда у них также есть нежелательные дефекты, например, окисление. Они не всегда знают, ввели ли они какие-то нежелательные дефекты или примеси во время синтеза. Это давняя проблема».
Результат заключается в том, что в каждом материале часто присутствует несколько дефектов. К сожалению, у каждого метода понимания дефектов есть свои ограничения. Такие методы, как рентгеновская дифракция и позитронная аннигиляция, характеризуют только некоторые типы дефектов. Рамановская спектроскопия может определить тип дефекта, но не может напрямую определить концентрацию. Другой метод, известный как просвечивающая электронная микроскопия, требует от людей нарезать тонкие срезы образцов для сканирования.
В нескольких предыдущих статьях Ли и его сотрудники применяли машинное обучение к экспериментальным данным спектроскопии для характеристики кристаллических материалов. Для новой статьи они хотели применить этот метод к дефектам.
Для своего эксперимента исследователи создали вычислительную базу данных из 2 000 полупроводниковых материалов. Они сделали пары образцов каждого материала, один с добавленными дефектами, а другой без дефектов, а затем использовали технику нейтронного рассеяния, которая измеряет различные частоты колебаний атомов в твёрдых материалах. Они обучили модель машинного обучения на полученных результатах.
«Это создало фундаментальную модель, охватывающую 56 элементов в периодической таблице», — говорит Ченг. «Модель использует механизм многоголового внимания, подобный тому, что используется в ChatGPT. Она аналогичным образом извлекает разницу в данных между материалами с дефектами и без них и выдаёт прогноз о том, какие легирующие примеси были использованы и в каких концентрациях».
Исследователи настроили свою модель, проверили её на экспериментальных данных и показали, что она может измерять концентрации дефектов в сплаве, обычно используемом в электронике, и в отдельном материале-сверхпроводнике.
Исследователи также несколько раз легировали материалы, чтобы ввести несколько точечных дефектов и проверить пределы модели, в конечном итоге обнаружив, что она может одновременно прогнозировать до шести дефектов в материалах с концентрацией дефектов до 0,2%.
«Мы были очень удивлены, что это сработало так хорошо», — говорит Ченг. «Очень сложно расшифровать смешанные сигналы от двух разных типов дефектов — не говоря уже о шести».
Моделирование как подход
Обычно производители таких вещей, как полупроводники, проводят инвазивные тесты на небольшом проценте продукции по мере её выхода с производственной линии — медленный процесс, который ограничивает их способность обнаруживать каждый дефект.
«Сейчас люди в основном оценивают количество дефектов в своих материалах», — говорит Боуэн Ю. «Это кропотливый опыт — проверять оценки с помощью каждого отдельного метода, который в любом случае предлагает только локальную информацию в одном зерне. Это создаёт недопонимание относительно того, какие дефекты, по мнению людей, есть в их материале».
Результаты были захватывающими для исследователей, но они отмечают, что их техника измерения колебательных частот с помощью нейтронов будет сложной для быстрого внедрения компаниями в их собственные процессы контроля качества.
«Этот метод очень мощный, но его доступность ограничена», — говорит Юнби Ра. «Вибрационные спектры — это простая идея, но в определённых установках она очень сложна. Существуют более простые экспериментальные установки, основанные на других подходах, таких как рамановская спектроскопия, которые могут быть более быстро внедрены».
Ли говорит, что компании уже выразили интерес к подходу и спросили, когда он будет работать с рамановской спектроскопией — широко используемым методом, который измеряет рассеяние света. Ли говорит, что следующим шагом исследователей является обучение аналогичной модели на основе данных рамановской спектроскопии. Они также планируют расширить свой подход для обнаружения объектов, которые больше точечных дефектов, таких как зёрна и дислокации.
Пока исследователи считают, что их исследование демонстрирует неотъемлемое преимущество методов искусственного интеллекта для интерпретации данных о дефектах.
«Для человеческого глаза эти сигналы дефектов выглядели бы практически одинаково», — говорит Ли. «Но распознавание образов с помощью искусственного интеллекта достаточно хорошо, чтобы различать разные сигналы и получать достоверную информацию. Дефекты — это палка о двух концах. Есть много хороших дефектов, но если их слишком много, производительность может ухудшиться. Это открывает новую парадигму в науке о дефектах».
Работа частично финансировалась Министерством энергетики и Национальным научным фондом.
1. Какие проблемы в области обнаружения дефектов в материалах решает новая модель искусственного интеллекта, разработанная исследователями MIT?
Новая модель искусственного интеллекта, разработанная исследователями MIT, решает проблему точного измерения различных типов дефектов и их концентрации в готовых изделиях без разрезания или повреждения конечного материала. Это позволяет инженерам более точно настраивать дефекты для придания материалам полезных свойств и избегать создания продуктов с плохой производительностью или непредвиденными свойствами.
2. Какие методы обнаружения дефектов существуют и в чём их ограничения?
В тексте перечислены несколько методов обнаружения дефектов: рентгеновская дифракция, позитронная аннигиляция, Рамановская спектроскопия и просвечивающая электронная микроскопия. У каждого из этих методов есть свои ограничения: например, Рамановская спектроскопия может определить тип дефекта, но не может напрямую определить концентрацию, а просвечивающая электронная микроскопия требует нарезки тонких срезов образцов.
3. Какие преимущества имеет модель искусственного интеллекта по сравнению с традиционными методами обнаружения дефектов?
Модель искусственного интеллекта, разработанная исследователями MIT, имеет несколько преимуществ по сравнению с традиционными методами обнаружения дефектов. Во-первых, она может одновременно обнаруживать до шести видов точечных дефектов в материале, что было бы невозможно с помощью одних только традиционных методов. Во-вторых, она может количественно определять концентрацию дефектов, что позволяет более точно настраивать свойства материалов.
4. Какие материалы были использованы для обучения модели искусственного интеллекта и какие результаты были получены?
Для обучения модели искусственного интеллекта исследователи создали вычислительную базу данных из 2 000 полупроводниковых материалов. Они сделали пары образцов каждого материала, один с добавленными дефектами, а другой без дефектов, а затем использовали технику нейтронного рассеяния. Модель была проверена на экспериментальных данных и показала, что она может измерять концентрации дефектов в сплаве, обычно используемом в электронике, и в отдельном материале-сверхпроводнике.
5. Какие перспективы открывает использование модели искусственного интеллекта для обнаружения дефектов в материалах?
Использование модели искусственного интеллекта для обнаружения дефектов в материалах открывает новые перспективы в науке о дефектах. Она позволяет более точно настраивать свойства материалов, избегать создания продуктов с плохой производительностью или непредвиденными свойствами и открывает новую парадигму в науке о дефектах. Это может привести к созданию более качественных и надёжных материалов с улучшенными свойствами.