MIT ensina IA a encontrar defeitos atômicos em materiais sem destruir as amostras

Pesquisadores do MIT apresentaram um modelo de IA que ajuda a encontrar e medir defeitos atômicos em materiais sem destruir a amostra. A abordagem pode acelerar o desenvolvimento de ligas mais resistentes, semicondutores mais eficientes, baterias e células solares.

Como os defeitos são encontrados

Na ciência dos materiais, um defeito nem sempre significa um problema. Em escala atômica, essas alterações na estrutura costumam ser introduzidas de propósito para aumentar a resistência mecânica, mudar a condutividade elétrica, melhorar a transferência de calor ou elevar a eficiência de conversão de energia. O problema é outro: depois da fabricação, os engenheiros têm dificuldade de saber com precisão quais defeitos surgiram e em que concentração. Muitos métodos existentes enxergam só parte do quadro, e alguns exigem cortar ou danificar a amostra de outra forma.

A equipe do MIT tentou resolver isso combinando aprendizado de máquina e espalhamento de nêutrons. Os pesquisadores analisaram os espectros vibracionais de materiais sólidos, ou seja, como os átomos da rede cristalina "se movem" em diferentes frequências. Depois, o modelo aprendeu a associar esses sinais a tipos específicos de defeitos pontuais.

Para o treinamento, foi montada uma base computacional de 2.000 materiais semicondutores, cada um com uma versão com defeitos e outra sem. O modelo se baseia em multihead attention, a mesma classe de ideias de arquitetura usada pelos modelos de linguagem atuais.

O que os testes mostraram

Depois do treinamento, o modelo passou por ajuste fino e foi validado com dados experimentais. Os autores escrevem que ele conseguiu não só reconhecer defeitos individuais, mas também estimar quantitativamente seu teor em amostras reais. Isso importa porque os métodos de laboratório comuns costumam responder ou "que defeito é esse" ou "onde ele está", mas não oferecem uma estimativa quantitativa universal e não destrutiva para vários tipos de alterações estruturais ao mesmo tempo.

Segundo o MIT, o sistema já apresentou vários resultados fortes:

• a base de treinamento abrangeu 2.000 materiais semicondutores;
• o modelo cobre 56 elementos da tabela periódica;
• ele consegue prever até seis defeitos pontuais simultaneamente;
• a sensibilidade chega a concentrações de cerca de 0,2 por cento;
• a abordagem foi testada em uma liga para eletrônicos e em um material supercondutor à parte.

Os autores destacam que lidar com sinais misturados é o que torna a tarefa especialmente difícil. Quando um material tem vários tipos de defeitos, seus rastros espectrais se sobrepõem. Para a análise clássica, isso logo vira adivinhação, mas a IA conseguiu extrair padrões mesmo onde os sinais são quase indistinguíveis a olho nu.

Onde pode ser usado

O valor prático do trabalho está no controle de qualidade e no ajuste das propriedades dos materiais na produção. Hoje, fabricantes de semicondutores e de outros materiais complexos costumam aplicar testes invasivos em apenas uma pequena parcela da produção, porque eles são lentos, caros e destroem a amostra. Com isso, parte das decisões sobre composição e ajuste do processo se baseia em estimativas e sinais indiretos. Um diagnóstico de defeitos mais preciso pode reduzir erros e acelerar a busca pelas características desejadas do material.

O método atual, porém, tem uma limitação: medir espectros vibracionais com nêutrons é complexo demais e pouco acessível para adoção em massa direto na linha de produção. Por isso, o próximo passo do MIT é levar o mesmo princípio a instrumentos mais comuns, principalmente à espectroscopia Raman. Os pesquisadores também querem ampliar o modelo além dos defeitos pontuais e ensiná-lo a ver características estruturais maiores, como grãos e discordâncias.

"Defeitos são uma faca de dois gumes: defeitos úteis às vezes são necessários, mas o excesso piora as propriedades do material", explica o professor do MIT

Mingda Li.

O que isso significa

O trabalho mostra que a IA vem se tornando cada vez mais uma ferramenta de medição para a ciência e a indústria, e não apenas um gerador de texto ou imagens. Se o MIT conseguir adaptar a abordagem a métodos de espectroscopia mais acessíveis, os fabricantes ganharão um jeito de entender mais rápido o que acontece dentro de um material e de projetar com mais precisão chips, eletrônicos, baterias e componentes de energia.