AI模型通过非侵入技术识别材料缺陷

一种用于材料缺陷识别的AI模型

在生物学中，缺陷通常是不好的。但在材料科学中，可以通过有意调整缺陷来赋予材料有用的新特性。如今，在钢铁、半导体和太阳能电池等产品的制造过程中，人们会谨慎地引入原子尺度的缺陷，以帮助提高强度、控制导电性、优化性能等。

然而，即使缺陷已成为一种强大的工具，准确测量成品中不同类型的缺陷及其浓度仍然具有挑战性，特别是在不切割或损坏最终材料的情况下。如果工程师不了解材料中存在哪些缺陷，就可能制造出性能不佳或具有意外特性的产品。

现在，某机构的研究人员构建了一个AI模型，能够利用非侵入式中子散射技术的数据对特定缺陷进行分类和量化。该模型在2000种不同的半导体材料上进行了训练，可以同时检测材料中多达六种点缺陷，这是单纯使用传统技术无法做到的。

“现有技术无法在不破坏材料的情况下，以通用且定量的方式准确表征缺陷，”主要作者Mouyang Cheng说道。“对于没有机器学习的传统技术，检测六种不同的缺陷是不可想象的。这是任何其他方法都无法做到的。”

研究人员表示，该模型朝着更精确地在半导体、微电子、太阳能电池和电池材料等产品中利用缺陷迈出了一步。

“目前，检测缺陷就像关于看大象的谚语：每种技术只能看到它的一部分，”资深作者Mingda Li说。“有的看到鼻子，有的看到躯干或耳朵。但极难看到完整的大象。我们需要更好的方法来全面了解缺陷，因为我们必须理解它们，才能使材料更有用。”

该论文的合著者包括Chu-Liang Fu、本科生Bowen Yu、硕士生Eunbi Rha、博士生Abhijatmedhi Chotrattanapituk，以及某机构的工作人员Douglas L Abernathy和Yongqiang Cheng。该论文发表在《Matter》期刊上。

检测缺陷

制造商已经善于调整材料中的缺陷，但在成品中测量缺陷的精确数量在很大程度上仍然是一种猜测。

“工程师有很多方法引入缺陷，例如通过掺杂，但他们仍然在基本问题上遇到困难，比如他们创造了哪种缺陷、浓度是多少，”Fu说。“有时他们还会产生不必要的缺陷，例如氧化。他们并不总是知道在合成过程中是否引入了一些不需要的缺陷或杂质。这是一个长期存在的挑战。”

结果是每种材料中通常存在多种缺陷。不幸的是，每种理解缺陷的方法都有其局限性。X射线衍射和正电子湮没等技术只能表征某些类型的缺陷。拉曼光谱可以辨别缺陷类型，但不能直接推断浓度。另一种称为透射电子显微镜的技术需要人们将样品切成薄片进行扫描。

在之前的几篇论文中，Li和合作者将机器学习应用于实验光谱数据，以表征晶体材料。在这篇新论文中，他们希望将该技术应用于缺陷。

在实验中，研究人员构建了一个包含2000种半导体材料的计算数据库。他们为每种材料制作了样本对，一个掺杂产生缺陷，另一个保持无缺陷，然后使用中子散射技术测量固体材料中原子的不同振动频率。他们根据结果训练了一个机器学习模型。

“这建立了一个覆盖周期表中56种元素的基础模型，”Cheng说。“该模型利用了多头注意力机制，就像ChatGPT使用的那样。它同样提取有缺陷和无缺陷材料数据之间的差异，并输出关于使用了何种掺杂剂及其浓度的预测。”

研究人员对模型进行了微调，在实验数据上进行了验证，并表明它可以测量电子设备中常用的一种合金以及另一种超导材料中的缺陷浓度。

研究人员还对材料进行了多次掺杂以引入多个点缺陷，测试模型的极限，最终发现它可以同时预测材料中多达六种缺陷，缺陷浓度低至0.2%。

“我们真的很惊讶它效果这么好，”Cheng说。“解码来自两种不同类型缺陷的混合信号已经非常具有挑战性——更不用说六种了。”

模型方法

通常，半导体等制造商在生产线上对一小部分产品进行侵入性测试，这是一个缓慢的过程，限制了它们检测每个缺陷的能力。

“目前，人们主要估算材料中的缺陷数量，”Yu说。“使用每一种单独的技术来检查估算值是一个费力的过程，而且这些技术通常只能提供单个晶粒内的局部信息。这会造成人们对材料中缺陷认知的误解。”

研究结果令研究人员兴奋，但他们指出，用中子测量振动频率的技术对于公司来说很难快速部署到自己的质量控制流程中。

“这种方法非常强大，但可用性有限，”Rha说。“振动光谱是一个简单的概念，但在某些设置中它非常复杂。有一些基于其他方法（如拉曼光谱）的更简单的实验装置，可能更容易被采用。”

Li表示，公司已经对该方法表示出兴趣，并询问它何时能够用于拉曼光谱——一种广泛使用的测量光散射的技术。Li说，研究人员的下一步是基于拉曼光谱数据训练一个类似的模型。他们还计划扩展方法以检测比点缺陷更大的特征，例如晶粒和位错。

不过，研究人员相信，他们的研究证明了AI技术在解释缺陷数据方面的固有优势。

“在人眼看来，这些缺陷信号看起来基本相同，”Li说。“但AI的模式识别能力足以辨别不同的信号并得出真实结果。缺陷是一把双刃剑。有许多好的缺陷，但如果太多，性能就会下降。这为缺陷科学开辟了一个新的范式。”

该工作部分得到了某机构和某基金会的支持。FINISHED