MIT研究人员使用人工智能发现材料中的原子缺陷

在生物学中，缺陷通常是有害的。但在材料科学中，缺陷可以被有意调节，赋予材料有用的新特性。如今，原子尺度的缺陷在钢铁、半导体和太阳能电池等产品的制造过程中被精心引入，以帮助提高强度、控制导电性、优化性能等。

尽管缺陷已成为强大的工具，但精确测量成品中不同类型缺陷及其浓度仍具有挑战性，特别是在不切开或损坏最终材料的情况下。如果不了解材料中存在哪些缺陷，工程师就有制造出性能低下或具有意外特性产品的风险。

现在，MIT研究人员构建了一个人工智能模型，能够利用无损中子散射技术的数据对某些缺陷进行分类和量化。该模型在2000种不同的半导体材料上进行训练，可以同时检测材料中多达六种点缺陷，这在仅使用传统技术的情况下是不可能实现的。

"现有技术无法在不破坏材料的情况下以通用和定量的方式准确表征缺陷，"材料科学与工程系博士候选人、论文第一作者程慕阳说。"对于没有机器学习的传统技术，检测六种不同的缺陷是不可想象的。这是你无法通过其他方式做到的。"

研究人员表示，该模型是在半导体、微电子、太阳能电池和电池材料等产品中更精确利用缺陷的一步。

"目前，检测缺陷就像那句关于看大象的谚语：每种技术只能看到其中的一部分，"核科学与工程副教授、论文通讯作者李明达说。"有些看到鼻子，有些看到躯干或耳朵。但要看到完整的大象是极其困难的。我们需要更好的方法来获得缺陷的全貌，因为我们必须了解它们才能使材料更有用。"

检测缺陷

制造商已经很擅长调节材料中的缺陷，但测量成品中缺陷的精确数量在很大程度上仍然是一种猜测游戏。

"工程师有很多方法来引入缺陷，比如通过掺杂，但他们在一些基本问题上仍然困难，比如他们创造了什么类型的缺陷以及浓度是多少，"博士后付楚良说。"有时他们也有不想要的缺陷，比如氧化。他们并不总是知道在合成过程中是否引入了一些不想要的缺陷或杂质。这是一个长期存在的挑战。"

结果是每种材料中往往存在多种缺陷。不幸的是，理解缺陷的每种方法都有其局限性。X射线衍射和正电子湮灭等技术只能表征某些类型的缺陷。拉曼光谱可以辨别缺陷类型，但不能直接推断浓度。另一种称为透射电子显微镜的技术需要人们切割样品的薄片进行扫描。

在之前的几篇论文中，李明达和合作者将机器学习应用于实验光谱数据来表征晶体材料。对于这篇新论文，他们想将该技术应用于缺陷。

在实验中，研究人员构建了一个包含2000种半导体材料的计算数据库。他们制作了每种材料的样本对，一个掺杂了缺陷，一个没有缺陷，然后使用中子散射技术测量固体材料中原子的不同振动频率。他们基于结果训练了一个机器学习模型。

"这建立了一个涵盖元素周期表中56个元素的基础模型，"程慕阳说。"该模型利用了多头注意机制，就像ChatGPT使用的一样。它类似地提取了有缺陷和无缺陷材料之间数据的差异，并输出对使用了什么掺杂剂及其浓度的预测。"

研究人员微调了他们的模型，在实验数据上进行了验证，并显示它可以测量电子产品中常用合金以及单独超导材料中的缺陷浓度。

研究人员还多次掺杂材料以引入多个点缺陷并测试模型的极限，最终发现它可以同时对材料中多达六种缺陷进行预测，缺陷浓度低至0.2%。

"我们真的很惊讶它工作得那么好，"程慕阳说。"解码来自两种不同类型缺陷的混合信号是非常具有挑战性的，更不用说六种了。"

模型方法

通常，半导体等产品的制造商在产品从生产线下线时对一小部分产品进行侵入性测试，这是一个缓慢的过程，限制了他们检测每个缺陷的能力。

"目前，人们很大程度上是估算材料中的缺陷数量，"本科生研究员于博文说。"使用各种单独的技术来检查估算是一个痛苦的经历，而且只能提供单个晶粒的局部信息。这对人们认为他们的材料中有什么缺陷造成了误解。"

结果令研究人员兴奋，但他们指出，他们用中子测量振动频率的技术对公司在自己的质量控制过程中快速部署是困难的。

"这种方法非常强大，但其可用性有限，"硕士生拉恩比说。"振动光谱是一个简单的想法，但在某些设置中它非常复杂。有一些基于其他方法的更简单的实验设置，比如拉曼光谱，可以更快速地采用。"

李明达说，公司已经对这种方法表达了兴趣，并询问何时能与拉曼光谱配合使用，拉曼光谱是一种测量光散射的广泛使用技术。李明达说，研究人员的下一步是训练一个基于拉曼光谱数据的类似模型。他们还计划扩展他们的方法来检测比点缺陷更大的特征，如晶粒和位错。

不过，目前研究人员相信他们的研究证明了人工智能技术在解释缺陷数据方面的固有优势。

"对人眼而言，这些缺陷信号看起来基本上是相同的，"李明达说。"但人工智能的模式识别足够好，能够辨别不同的信号并得到基本事实。缺陷是一把双刃剑。有很多好的缺陷，但如果太多，性能就会下降。这开启了缺陷科学的新范式。"

这项工作部分得到了能源部和国家科学基金会的支持。

Q&A

Q1：MIT研究人员开发的人工智能模型有什么特殊能力？

A：MIT研究人员开发的人工智能模型能够利用无损中子散射技术的数据对材料中的缺陷进行分类和量化。该模型可以同时检测材料中多达六种点缺陷，缺陷浓度低至0.2%，这在仅使用传统技术的情况下是不可能实现的。

Q2：为什么材料中的缺陷检测如此困难？

A：传统的缺陷检测技术都有局限性，每种方法只能看到缺陷的一部分。X射线衍射和正电子湮灭只能表征某些类型的缺陷，拉曼光谱可以辨别缺陷类型但不能直接推断浓度，透射电子显微镜需要切割样品。而且材料中往往存在多种缺陷，精确测量它们的类型和浓度在不损坏材料的情况下极具挑战性。

Q3：这项技术在实际应用中面临什么挑战？

A：虽然该技术非常强大，但其可用性有限。用中子测量振动频率的技术对公司在质量控制过程中快速部署是困难的，因为在某些设置中它非常复杂。研究人员计划下一步训练基于拉曼光谱数据的类似模型，因为拉曼光谱是更简单、更广泛使用的技术。