Исследователи из MIT создали ИИ-модель, которая определяет до шести типов точечных дефектов в полупроводниковых материалах одновременно — не повреждая образец. Модель обучена на базе из 2000 полупроводников и фиксирует концентрации примесей от 0,2%. Результаты опубликованы в журнале Matter.

В материаловедении дефекты атомной решетки — не брак, а инструмент. Их целенаправленно вводят при производстве стали, чипов и солнечных панелей, чтобы повысить прочность, настроить проводимость или улучшить КПД. Проблема в том, что после производства точно измерить, какие именно дефекты оказались в материале и сколько их, практически невозможно. Рентгеновская дифракция видит одни типы, рамановская спектроскопия — другие, а электронная микроскопия и вовсе требует разрезать образец. "Обнаружить шесть разных дефектов — немыслимо. Это невозможно сделать никаким другим способом", — говорит ведущий автор работы Моуян Чэн.

Модель анализирует данные неупругого нейтронного рассеяния — метода, который измеряет колебательные частоты атомов в твердом теле. Нейросеть построена на механизме многоголового внимания (multihead attention) — том же принципе, что лежит в основе ChatGPT. Она сравнивает спектры образцов с дефектами и без них и выдает прогноз: какие примеси были внесены и в каких концентрациях. В итоге получилась фундаментальная модель, охватывающая 56 элементов периодической таблицы.

Исследователи проверили модель на экспериментальных данных: она корректно определила дефекты в сплаве, применяемом в электронике, и в отдельном сверхпроводящем материале. При введении множественных примесей модель распознавала до шести типов дефектов за один проход. "Мы сами удивились, что это так хорошо работает, — признается Чэн. — Расшифровать смешанные сигналы от двух типов дефектов уже сложно, а от шести — тем более".

Старший автор работы, профессор MIT Мингда Ли, сравнивает ситуацию с известной притчей о слоне: каждый метод "видит" лишь часть — нос, хобот или уши, — но увидеть целое крайне трудно. Пока метод привязан к нейтронному рассеянию, доступному лишь на крупных исследовательских установках, однако следующий шаг — обучение аналогичной модели на данных рамановской спектроскопии, гораздо более распространенной в промышленности. Если это удастся, производители полупроводников, батарей и солнечных элементов смогут контролировать качество продукции, не разрушая ни одного образца.

P.S. Поддержать меня можно подпиской на канал "сбежавшая нейросеть", где я рассказываю про ИИ с творческой стороны.