In der Biologie sind Defekte im Allgemeinen schlecht. Aber in der Materialwissenschaft können Defekte gezielt so eingestellt werden, dass Materialien nützliche neue Eigenschaften erhalten. Heutzutage werden im Herstellungsprozess von Produkten wie Stahl, Halbleitern und Solarzellen sorgfältig Defekte im atomaren Maßstab eingeführt, um die Festigkeit zu verbessern, die elektrische Leitfähigkeit zu steuern, die Leistung zu optimieren und vieles mehr.
Aber auch wenn Defekte zu einem leistungsstarken Werkzeug geworden sind, ist die genaue Messung verschiedener Arten von Defekten und ihrer Konzentrationen in fertigen Produkten eine Herausforderung, insbesondere ohne das Endmaterial aufzuschneiden oder zu beschädigen. Ohne zu wissen, welche Mängel ihre Materialien aufweisen, riskieren Ingenieure, Produkte mit schlechter Leistung oder unbeabsichtigten Eigenschaften herzustellen.
Jetzt haben MIT-Forscher ein KI-Modell entwickelt, das bestimmte Defekte anhand von Daten einer nichtinvasiven Neutronenstreutechnik klassifizieren und quantifizieren kann. Das Modell, das an 2.000 verschiedenen Halbleitermaterialien trainiert wurde, kann bis zu sechs Arten von Punktdefekten in einem Materials gleichzeitig erkennen, was mit herkömmlichen Techniken allein unmöglich wäre.
„Bestehende Techniken können Defekte nicht auf universelle und quantitative Weise genau charakterisieren, ohne das Materials zu zerstören“, sagt Hauptautor Mouyang Cheng, Doktorand in der Abteilung für Materialwissenschaft und Werkstofftechnik. „Mit herkömmlichen Techniken ohne maschinelles Lernen ist die Erkennung von sechs verschiedenen Fehlern undenkbar. Anders geht das nicht.“
Die Forscher sagen, dass das Modell einen Schritt hin zu einer genaueren Nutzung von Defekten in Produkten wie Halbleitern, Mikroelektronik, Solarzellen und Batteriematerialien darstellt.
„Im Second ist das Erkennen von Defekten wie das Sprichwort über das Sehen eines Elefanten: Jede Technik kann nur einen Teil davon sehen“, sagt Mingda Li, leitender Autor und außerordentlicher Professor für Nuklearwissenschaft und -technik. „Manche sehen die Nase, andere den Rüssel oder die Ohren. Aber es ist extrem schwer, den ganzen Elefanten zu sehen. Wir brauchen bessere Methoden, um uns ein vollständiges Bild von Mängeln zu machen, denn wir müssen sie verstehen, um Materialien nützlicher zu machen.“
Zusammen mit Cheng und Li sind Postdoktorand Chu-Liang Fu, Bachelor-Forscher Bowen Yu, Masterstudent Eunbi Rha, Doktorand Abhijatmedhi Chotrattanapituk ’21 und die Mitarbeiter des Oak Ridge Nationwide Laboratory, Douglas L Abernathy PhD ’93 und Yongqiang Cheng, an der Arbeit beteiligt. Der Papier erscheint heute in der Zeitschrift Gegenstand.
Mängel erkennen
Die Hersteller sind intestine darin geworden, Fehler in ihren Materialien zu korrigieren, aber die genaue Messung der Fehlermengen in fertigen Produkten ist immer noch größtenteils ein Ratespiel.
„Ingenieure haben viele Möglichkeiten, Defekte einzuführen, beispielsweise durch Doping, aber sie kämpfen immer noch mit grundlegenden Fragen, etwa, welche Artwork von Defekt sie verursacht haben und in welcher Konzentration“, sagt Fu. „Manchmal weisen sie auch unerwünschte Defekte wie Oxidation auf. Sie wissen nicht immer, ob sie während der Synthese unerwünschte Defekte oder Verunreinigungen eingeführt haben. Das ist eine langjährige Herausforderung.“
Die Folge ist, dass jedes Materials häufig mehrere Mängel aufweist. Leider hat jede Methode zum Verständnis von Fehlern ihre Grenzen. Techniken wie Röntgenbeugung und Positronenvernichtung charakterisieren nur einige Arten von Defekten. Raman-Spektroskopie kann die Artwork des Defekts erkennen, aber nicht direkt auf die Konzentration schließen. Eine andere Technik, die als Transmissionselektronenmikroskop bekannt ist, erfordert, dass Menschen dünne Probenscheiben zum Scannen schneiden.
In einigen früheren Arbeiten wandten Li und seine Mitarbeiter maschinelles Lernen auf experimentelle Spektroskopiedaten an, um kristalline Materialien zu charakterisieren. Für die neue Arbeit wollten sie diese Technik auf Defekte anwenden.
Für ihr Experiment bauten die Forscher eine Computerdatenbank mit 2.000 Halbleitermaterialien auf. Sie stellten Probenpaare jedes Supplies her, wobei eines auf Defekte dotiert und das andere ohne Defekte belassen wurde, und verwendeten dann eine Neutronenstreutechnik, die die unterschiedlichen Schwingungsfrequenzen von Atomen in festen Materialien misst. Auf Grundlage der Ergebnisse trainierten sie ein maschinelles Lernmodell.
„Dadurch entstand ein grundlegendes Modell, das 56 Elemente im Periodensystem abdeckt“, sagt Cheng. „Das Modell nutzt den Multihead-Aufmerksamkeitsmechanismus, genau wie das, was ChatGPT verwendet. Es extrahiert auf ähnliche Weise den Unterschied in den Daten zwischen Materialien mit und ohne Defekte und gibt eine Vorhersage darüber aus, welche Dotierstoffe in welchen Konzentrationen verwendet wurden.“
Die Forscher optimierten ihr Modell, verifizierten es anhand experimenteller Daten und zeigten, dass es Defektkonzentrationen in einer üblicherweise in der Elektronik verwendeten Legierung und in einem separaten supraleitenden Materials messen kann.
Die Forscher dotiert die Materialien außerdem mehrfach, um mehrere Punktdefekte einzuführen und die Grenzen des Modells zu testen. Letztendlich stellen sie fest, dass damit Vorhersagen über bis zu sechs Defekte in Materialien gleichzeitig getroffen werden können, mit Defektkonzentrationen von nur 0,2 Prozent.
„Wir waren wirklich überrascht, dass es so intestine funktioniert hat“, sagt Cheng. „Es ist eine große Herausforderung, die gemischten Signale von zwei verschiedenen Arten von Defekten zu entschlüsseln – geschweige denn von sechs.“
Ein modellhafter Ansatz
Typischerweise führen Hersteller von Dingen wie Halbleitern invasive Assessments an einem kleinen Prozentsatz der Produkte durch, wenn diese das Fertigungsband verlassen, ein langsamer Prozess, der ihre Fähigkeit, jeden Fehler zu erkennen, einschränkt.
„Im Second schätzen die Menschen die Menge der Fehler in ihren Materialien weitgehend ab“, sagt Yu. „Es ist eine mühsame Erfahrung, die Schätzungen mithilfe jeder einzelnen Technik zu überprüfen, die ohnehin nur lokale Informationen in einer einzigen Körnung liefert. Es führt zu Missverständnissen darüber, welche Fehler die Leute in ihrem Materials zu haben glauben.“
Die Ergebnisse waren für die Forscher aufregend, sie weisen jedoch darauf hin, dass es für Unternehmen schwierig wäre, ihre Technik zur Messung der Schwingungsfrequenzen mit Neutronen schnell in ihren eigenen Qualitätskontrollprozessen einzusetzen.
„Diese Methode ist sehr leistungsfähig, aber ihre Verfügbarkeit ist begrenzt“, sagt Rha. „Schwingungsspektren sind eine einfache Idee, aber in bestimmten Aufbauten ist sie sehr kompliziert. Es gibt einige einfachere Versuchsaufbauten, die auf anderen Ansätzen wie der Raman-Spektroskopie basieren und schneller übernommen werden könnten.“
Laut Li haben Unternehmen bereits Interesse an dem Ansatz bekundet und gefragt, wann er mit der Raman-Spektroskopie, einer weit verbreiteten Technik zur Messung der Lichtstreuung, funktionieren wird. Laut Li besteht der nächste Schritt der Forscher darin, ein ähnliches Modell auf der Grundlage von Raman-Spektroskopiedaten zu trainieren. Sie planen außerdem, ihren Ansatz zu erweitern, um Merkmale zu erkennen, die größer als Punktdefekte sind, wie etwa Körner und Versetzungen.
Vorerst glauben die Forscher jedoch, dass ihre Studie den inhärenten Vorteil von KI-Techniken zur Interpretation von Fehlerdaten zeigt.
„Für das menschliche Auge würden diese Defektsignale im Wesentlichen gleich aussehen“, sagt Li. „Aber die Mustererkennung der KI ist intestine genug, um verschiedene Signale zu erkennen und der Wahrheit auf den Grund zu gehen. Defekte sind ein zweischneidiges Schwert. Es gibt viele gute Defekte, aber wenn es zu viele sind, kann sich die Leistung verschlechtern. Dies eröffnet ein neues Paradigma in der Defektwissenschaft.“
Die Arbeit wurde teilweise vom Energieministerium und der Nationwide Science Basis unterstützt.