معهد ماساتشوستس للتكنولوجيا علّم الذكاء الاصطناعي إيجاد العيوب الذرية في المواد دون تدمير العينات

قدم باحثون من معهد ماساتشوستس للتكنولوجيا نموذج ذكاء اصطناعي يساعد على تحديد وقياس العيوب الذرية في المواد دون تدمير العينة. قد يؤدي هذا النهج إلى تسريع تطوير سبائك أقوى وأشباه موصلات أكثر كفاءة وبطاريات وخلايا شمسية.

كيفية العثور على العيوب

في علم المواد، العيب لا يعني دائماً مشكلة. على المستوى الذري، غالباً ما يتم إدخال مثل هذه التغييرات الهيكلية بقصد في المادة لزيادة المتانة الميكانيكية وتعديل التوصيل الكهربائي وتحسين نقل الحرارة أو زيادة كفاءة تحويل الطاقة. المشكلة الحقيقية مختلفة: بعد الإنتاج، يجد المهندسون صعوبة في فهم بالضبط ما هي العيوب التي تم إنشاؤها وبأي تركيز. تقدم العديد من الطرق الموجودة صورة جزئية فقط، وتتطلب بعضها قطع العينة أو إلحاق الضرر بها بطريقة أخرى.

حاولت فريق معهد ماساتشوستس للتكنولوجيا حل هذه المشكلة من خلال الجمع بين التعلم الآلي وتشتت النيوترونات. حلل الباحثون الطيف الاهتزازي للمواد الصلبة—بشكل أساسي، كيفية "حركة" الذرات في شبكة بلورية بترددات مختلفة. تعلم النموذج بعد ذلك مطابقة هذه الإشارات مع أنواع محددة من العيوب النقطية. للتدريب، قاموا بتجميع قاعدة بيانات حسابية من 2000 مادة شبه موصلة: كل واحدة كان لها نسخة بها عيوب وبدونها. تستخدم أساس النموذج آلية الانتباه متعدد الرؤوس—نفس فئة الأفكار المعمارية المستخدمة في نماذج اللغة الحديثة.

ما أظهرته الاختبارات

بعد التدريب، تم ضبط النموذج واختباره على البيانات التجريبية. يفيد المؤلفون أنه تمكن ليس فقط من التعرف على العيوب الفردية، بل أيضاً من تقييم محتواها كمياً في العينات الحقيقية. هذا مهم لأن الطرق المخبرية القياسية غالباً ما تجيب إما على السؤال "ما نوع هذا العيب" أو "أين يقع"، لكنها لا توفر تقييماً كمياً عاماً وغير مدمراً على عدة أنواع من عيوب البنية بشكل متزامن.

وفقاً لمعهد ماساتشوستس للتكنولوجيا، أظهرت النظام بالفعل عدة نتائج قوية:

• غطت قاعدة بيانات التدريب 2000 مادة شبه موصلة؛
• يغطي النموذج 56 عنصراً من الجدول الدوري؛
• يمكنه التنبؤ بما يصل إلى ستة عيوب نقطية بشكل متزامن؛
• تصل الحساسية إلى تركيزات حول 0.2 في المئة؛
• تم اختبار النهج على سبيكة إلكترونية وعلى مادة فائقة التوصيل منفصلة.

يلاحظ المؤلفون بشكل خاص أن العمل مع الإشارات المختلطة يجعل المهمة صعبة جداً. عندما يكون هناك عدة أنواع من العيوب في مادة واحدة، تبدأ بصماتها الطيفية بالتداخل. بالنسبة للتحليل الكلاسيكي، يتحول هذا بسرعة إلى تخمين، لكن الذكاء الاصطناعي تمكن من استخراج الأنماط حتى حيث تكون الإشارات غير متمايزة بصرياً تقريباً.

حيث سيتم التطبيق

تكمن القيمة العملية لهذا العمل في التحكم في الجودة وتعديل خصائص المواد أثناء التصنيع. حالياً، غالباً ما يستخدم مصنعو أشباه الموصلات والمواد المعقدة الأخرى اختبارات جراحية على جزء صغير فقط من الإنتاج لأن هذه الاختبارات بطيئة وغالية الثمن وتدمر العينة. نتيجة لذلك، يتم اتخاذ بعض القرارات المتعلقة بالتركيب وتعديل العملية بناءً على التقديرات والمؤشرات غير المباشرة. قد يؤدي التشخيص الأكثر دقة للعيوب إلى تقليل الأخطاء وتسريع اختيار خصائص المواد المطلوبة.

ومع ذلك، فإن الطريقة الحالية لها حد أدنى: قياس النيوترونات للطيف الاهتزازي معقد جداً وليس متاحاً جداً للنشر الشامل مباشرة على خط المصنع. لذلك، الخطوة التالية لمعهد ماساتشوستس للتكنولوجيا هي نقل نفس المبدأ إلى أدوات أكثر شيوعاً، قبل كل شيء مطيافية رامان. يريد الباحثون أيضاً توسيع النموذج ليتجاوز العيوب النقطية وتعليمه رؤية ميزات هيكلية أكبر، مثل الحبوب والانزلاقات.

"العيوب هي سلاح ذو حدين: قد تكون العيوب المفيدة ضرورية، لكن فائضها

يتدهور خصائص المادة", تشرح الأستاذة مينديا لي بمعهد ماساتشوستس للتكنولوجيا.

ماذا يعني هذا

يظهر هذا العمل أن الذكاء الاصطناعي يصبح بشكل متزايد ليس مولد نصوص أو صور، بل أداة قياس للعلم والصناعة. إذا تمكن معهد ماساتشوستس للتكنولوجيا من تكييف النهج مع طرق مطيافية أكثر إتاحة، سيحصل المصنعون على القدرة على فهم ما يحدث داخل المادة بشكل أسرع وتصميم الرقائق والإلكترونيات والبطاريات ومكونات الطاقة بدقة أكبر.