MIT ensinou IA a encontrar defeitos atômicos em materiais sem destruir amostras

Pesquisadores do MIT apresentaram um modelo de IA que ajuda a identificar e medir defeitos atômicos em materiais sem destruir a amostra. Esta 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 nível atômico, tais mudanças estruturais são frequentemente introduzidas intencionalmente no material para aumentar a resistência mecânica, modificar a condutividade elétrica, melhorar a transferência de calor ou aumentar a eficiência da conversão de energia. O verdadeiro problema é diferente: após a produção, os engenheiros acham difícil entender exatamente quais defeitos foram criados e em qual concentração. Muitos métodos existentes veem apenas parte do quadro, e alguns requerem cortar ou danificar de outra forma a amostra.

A equipe do MIT tentou resolver este problema através de uma combinação de aprendizado de máquina e espalhamento de nêutrons. Os pesquisadores analisaram espectros vibracionais de materiais sólidos—essencialmente, como os átomos em uma rede cristalina se "movem" em diferentes frequências. O modelo então aprendeu a corresponder esses sinais com tipos específicos de defeitos pontuais. Para o treinamento, compilaram um banco de dados computacional de 2000 materiais semicondutores: cada um tinha uma variante com defeitos e sem eles. A base do modelo utiliza um mecanismo de atenção multihead—a mesma classe de ideias arquiteturais usadas nos modelos de linguagem modernos.

O Que os Testes Mostraram

Após o treinamento, o modelo foi ajustado e testado em dados experimentais. Os autores relatam que foi capaz não apenas de reconhecer defeitos individuais, mas também de avaliar quantitativamente seu conteúdo em amostras reais. Isso importa porque métodos laboratoriais padrão frequentemente respondem ou à pergunta "que tipo de defeito é este" ou "onde ele está localizado", mas não fornecem uma avaliação quantitativa universal, não-destrutiva em múltiplos tipos de defeitos estruturais simultaneamente.

De acordo com MIT, o sistema já apresentou vários resultados fortes:

• o banco de dados de treinamento cobriu 2000 materiais semicondutores;
• o modelo cobre 56 elementos da tabela periódica;
• pode prever simultaneamente até seis defeitos pontuais;
• a sensibilidade atinge concentrações em torno de 0,2 por cento;
• a abordagem foi testada em uma liga eletrônica e em um material supercondutor separado.

Os autores observam particularmente que trabalhar com sinais mistos torna a tarefa especialmente difícil. Quando múltiplos tipos de defeitos estão presentes em um material, suas assinaturas espectrais começam a se sobrepor. Para análise clássica, isso rapidamente se transforma em adivinhação, mas a IA conseguiu extrair padrões mesmo onde os sinais são visualmente quase indistinguíveis.

Onde Será Aplicado

O valor prático deste trabalho está no controle de qualidade e ajuste de propriedades de materiais durante a fabricação. Atualmente, fabricantes de semicondutores e outros materiais complexos frequentemente usam testes invasivos em apenas uma pequena fração da produção porque tais testes são lentos, caros e destroem a amostra. Como resultado, algumas decisões sobre composição e ajuste de processo são baseadas em estimativas e indicadores indiretos. O diagnóstico mais preciso de defeitos poderia reduzir erros e acelerar a seleção das características de material necessárias.

No entanto, o método atual tem uma limitação: a medição de nêutrons de espectros vibracionais é muito complexa e não muito acessível para implementação em massa diretamente em uma linha de fábrica. Portanto, o próximo passo do MIT é transferir o mesmo princípio para ferramentas mais comuns, principalmente espectroscopia Raman. Os pesquisadores também querem expandir o modelo além de defeitos pontuais e ensiná-lo a ver características estruturais maiores, como grãos e discordâncias.

"Defeitos são uma faca de dois gumes: defeitos úteis podem ser necessários, mas seu excesso degrada as propriedades do material", explica a

Professora Minda Lea do MIT.

O Que Isso Significa

Este trabalho demonstra que a IA está cada vez mais se tornando não um gerador de texto ou imagens, mas uma ferramenta de medição para ciência e indústria. Se MIT conseguir adaptar a abordagem para métodos de espectroscopia mais acessíveis, os fabricantes ganharão a capacidade de compreender mais rapidamente o que está acontecendo dentro de um material e projetar mais precisamente chips, eletrônicos, baterias e componentes de energia.