MIT Taught AI to Find Atomic Defects in Materials Without Destroying Samples

Исследователи MIT представили ИИ-модель, которая помогает находить и измерять атомные дефекты в материалах без разрушения образца. Такой подход может ускорить разработку более прочных сплавов, более эффективных полупроводников, батарей и солнечных элементов.

Как ищут дефекты В материаловедении дефект не всегда означает проблему.

На атомном уровне такие изменения структуры часто специально вводят в материал, чтобы повысить механическую прочность, изменить электропроводность, улучшить теплоперенос или поднять эффективность преобразования энергии. Проблема в другом: после производства инженерам сложно точно понять, какие именно дефекты получились и в какой концентрации. Многие существующие методы видят только часть картины, а некоторые требуют разрезать или иным образом повредить образец.

Команда MIT попробовала решить эту задачу через связку машинного обучения и нейтронного рассеяния. Исследователи анализировали вибрационные спектры твердых материалов — по сути, то, как атомы в кристаллической решетке «двигаются» на разных частотах. Затем модель училась сопоставлять эти сигналы с конкретными типами точечных дефектов.

Для обучения собрали вычислительную базу из 2000 полупроводниковых материалов: для каждого был вариант с дефектами и без них. Основа модели — механизм multihead attention, тот же класс архитектурных идей, который используют современные языковые модели.

Что показали тесты После обучения модель донастроили и проверили на экспериментальных данных.

Авторы пишут, что она смогла не только распознавать отдельные дефекты, но и количественно оценивать их содержание в реальных образцах. Это важно, потому что обычные лабораторные методы часто отвечают либо на вопрос «что это за дефект», либо на вопрос «где он находится», но не дают универсальной и неразрушающей количественной оценки сразу по нескольким типам нарушений структуры. По данным MIT, система уже показала несколько сильных результатов: база обучения охватила 2000 материалов-полупроводников; модель покрывает 56 элементов периодической таблицы; она умеет одновременно предсказывать до шести точечных дефектов; чувствительность достигает концентраций около 0,2 процента; * подход проверили на сплаве для электроники и на отдельном сверхпроводящем материале.

Авторы отдельно отмечают, что именно работа со смешанными сигналами делает задачу особенно сложной. Когда в одном материале присутствуют сразу несколько типов дефектов, их спектральные следы начинают накладываться друг на друга. Для классического анализа это быстро превращается в гадание, но ИИ смог вытащить закономерности даже там, где сигналы визуально почти не различимы.

Где будут применять

Практический смысл работы — в контроле качества и настройке свойств материалов на производстве. Сейчас производители полупроводников и других сложных материалов часто используют инвазивные проверки только для небольшой доли продукции, потому что такие тесты медленные, дорогие и разрушают образец. В результате часть решений о составе и настройке процесса принимается на основе оценок и косвенных признаков.

Более точная диагностика дефектов может сократить число промахов и ускорить подбор нужных характеристик материала. При этом у нынешнего метода есть ограничение: нейтронное измерение вибрационных спектров слишком сложно и не слишком доступно для массового внедрения прямо на заводской линии. Поэтому следующий шаг MIT — перенести тот же принцип на более распространенные инструменты, в первую очередь на рамановскую спектроскопию.

Исследователи также хотят расширить модель за пределы точечных дефектов и научить ее видеть более крупные особенности структуры, например зерна и дислокации.

«Дефекты — это палка о двух концах: полезные дефекты бывают нужны, но их избыток ухудшает свойства материала», — объясняет профессор MIT

Минда Ли.

Что это значит

Эта работа показывает, что ИИ все чаще становится не генератором текста или изображений, а измерительным инструментом для науки и промышленности. Если MIT сможет адаптировать подход под более доступные методы спектроскопии, производители получат способ быстрее понимать, что именно происходит внутри материала, и точнее проектировать чипы, электронику, аккумуляторы и энергетические компоненты.