هل يمكن للذكاء الاصطناعي كشف عيوب خلوية ستة في أشباه الموصلات بطريقة غير تدخلية؟

طور باحثون في معهد ماساتشوستس للتقنية (MIT) نهجًا جديدًا يستخدم اكتشاف العيوب بالذكاء الاصطناعي لتحديد العيوب الصغيرة جدًا في المواد دون قطع أو إتلاف العينات.

يركّز نموذج الذكاء الاصطناعي على العيوب على المستوى الذري

في علوم المواد، قد تكون العيوب الدقيقة أصلًا وليس عبئًا، إذ غالبًا ما تعمل العيوب المصمَّمة عمدًا على تعزيز المتانة الميكانيكية أو نقل الحرارة أو كفاءة تحويل الطاقة. ومع ذلك، فقد شكّل تحديد هذه العيوب بدقة في المنتجات النهائية تحديًا طويل الأمد أمام المهندسين.

ولمعالجة هذه المشكلة، أنشأ فريق من معهد MIT نموذج ذكاء اصطناعي يصنّف ويقيس العيوب على المستوى الذري باستخدام بيانات من تقنية تشتت نيوتروني غير اجتياحية. ويمكن للنظام، الذي تم تدريبه على 2,000 مادة شبه موصل مختلفة، أن يكتشف في الوقت نفسه ما يصل إلى ستة أنواع من عيوب النقاط، وهو أمر لا تستطيع المقاربات التقليدية تحقيقه.

“لا يمكن للتقنيات الحالية أن تُمكّن من توصيف العيوب بدقة وبطريقة شاملة وكميّة دون تدمير المادة”، كما يوضح موجيانغ تشنغ، وهو طالب دكتوراه في قسم علوم وهندسة المواد. علاوة على ذلك، يذكر أن “حلّ ستة أنواع مختلفة من العيوب في تحليل واحد” دون التعلم الآلي “غير قابل للتصور”.

يجادل الباحثون بأن هذه القدرة تمثل خطوة نحو تحكم أدق بكثير في العيوب داخل منتجات مثل أشباه الموصلات والالكترونيات الدقيقة والخلايا الشمسية ومواد البطاريات المتقدمة. ومع ذلك، يشددون على أن الطرق التكميلية لا تزال ضرورية لرؤية “الفيل الكامل” لمشهد العيوب المعقد.

قيود تحليل العيوب التقليدي

أصبح لدى المصنعين خبرة في إدخال العيوب عمدًا عبر تقنيات مثل التطعيم (doping)، لكن يبقى قياس تراكيز العيوب إلى حد كبير تمرينًا في التخمين. “لدى المهندسين طرق كثيرة لإدخال العيوب، مثل التطعيم، لكنهم لا يزالون يعجزون عن الإجابة عن أسئلة أساسية مثل: ما نوع العيب الذي صنعوه وبأي تركيز”، كما يقول تشو-ليانغ فو، وهو ما بعد دكتوراه (postdoc).

تُعقّد الصورة كذلك العيوب غير المرغوبة، مثل الأكسدة أو الشوائب التي تُدخل أثناء التصنيع. ومع ذلك، لكل طريقة قائمة لفحص العيوب حدود صارمة. إذ لا يمكن حيود الأشعة السينية وبتزوال الإبادة بالإلكترون موجب (positron annihilation) إلا توصيف أنواع محددة من العيوب، بينما يمكن لمطيافية رامان أن تكشف فئات العيوب لكنها لا تُظهر تركيزها مباشرة.

أداة أخرى مستخدمة على نطاق واسع هي المجهر الإلكتروني النافذ (transmission electron microscope)، والذي يتطلب قطع شرائح فائقة الرقة من العينة للتصوير. وهذا يجعله اجتياحيًا وغير مناسب لفحوصات مراقبة الجودة عالية الإنتاجية للأجزاء المكتملة. ونتيجة لذلك، كثيرًا ما تحمل المواد عدة مجموعات من العيوب بدرجات غير مقننة جيدًا قد تُضعف الأداء بطرق لا يفهمها المصنعون بالكامل.

تدريب النموذج ببيانات النيوترون

في عمل سابق، أظهر الباحث الرئيسي مينغدا لي وزملاؤه أن التعلم الآلي المطبق على بيانات المطيافية يمكنه تصنيف المواد البلورية. وفي هذه الدراسة، وسّع الفريق تلك الاستراتيجية لتتخصص تحديدًا في العيوب وتركيزاتها.

أنشأ الفريق قاعدة بيانات حاسوبية تضم 2,000 مادة شبه موصل، ثم أنشأ أزواجًا من العينات لكل مادة: إحداها سليمة تمامًا، والأخرى مُطعّمة لإدخال عيوب محددة. وباستخدام نفس تقنية تشتت النيوترونات لكل زوج، قاموا بقياس الترددات الاهتزازية للذرات داخل المواد الصلبة وتجميع مجموعة بيانات غنية.

“لقد بَنَوا نموذجًا أساسيًا يغطي 56 عنصرًا في الجدول الدوري”، يقول تشنغ. تستخدم الشبكة آلية انتباه متعددة الرؤوس (multihead attention)، وهي البنية نفسها التي تستند إليها أدوات مثل ChatGPT. علاوة على ذلك، تتعلم استخراج الفروق الدقيقة في الأطياف الاهتزازية بين العينات الخالية من العيوب والعينات المطعّمة، ثم تتنبأ بما هي المطعِّمات (dopants) الموجودة وبأي تراكيز.

بعد ضبط النظام بدقة والتحقق منه عبر قياسات تجريبية، أظهر الباحثون أن النموذج يستطيع تقدير تراكيز العيوب بدقة في سبيكة تُستخدم على نطاق واسع في الإلكترونيات، وكذلك في مادة فائقة التوصيل مميزة. وقد أظهر ذلك أن النهج لا يقتصر على مركب واحد.

تقدير عدة عيوب نقطية في آن واحد

للاستفادة من حدود إطارهم، قام العلماء بتطعيم بعض المواد عدة مرات لإدخال عدة أنواع من عيوب النقاط في وقت واحد. ثم طلبوا من النموذج استعادة كلٍّ من نوعي هذه العيوب وكمياتها النسبية اعتمادًا على بيانات اهتزازات النيوترون وحدها.

ثبت أن الذكاء الاصطناعي قادر على التنبؤ بما يصل إلى ستة عيوب نقطية مختلفة داخل مادة واحدة، ويمكنه تحديد تراكيز العيوب منخفضة تصل إلى 0.2 بالمئة. لكن مستوى الأداء هذا فاجأ حتى الفريق ذاته. “إنه أمر شديد الصعوبة لفك الإشارات المختلطة من نوعين مختلفين من العيوب — ناهيك عن ستة”، كما يلاحظ تشنغ.

وفقًا للباحثين، يبرز هذا التجريب في منطقة وسطية كيف يمكن لاكتشاف العيوب بالذكاء الاصطناعي أن يميّز أنماطًا طيفية متداخلة تبدو شبه متطابقة بالنسبة للمحللين البشر. علاوة على ذلك، تشير النتائج إلى مسار أكثر منهجية نحو ما يسمونه “هندسة مواد واعية بالعيوب” (defect-aware).

من طريقة مختبرية إلى أداة صناعية

في تصنيع أشباه الموصلات والالكترونيات الدقيقة حاليًا، تختبر الشركات عادةً جزءًا صغيرًا فقط من المنتجات النهائية باستخدام توصيف اجتياحي. يبطئ سير العمل هذا دورة التغذية الراجعة ويجعل من الصعب رصد كل عيب مشكل، خصوصًا عندما تتعايش عدة أنواع بطرق معقدة.

“في الوقت الحالي، يقدّر الناس إلى حد كبير كميات العيوب في موادهم”، كما يقول باحث جامعي (undergraduate) باوين يَوو. يتطلب التحقق من هذه التقديرات تقنيات متخصصة متعددة، كل واحدة تفحص منطقة صغيرة فقط أو حبة واحدة من العينة. ونتيجة لذلك، يضيف يَوو، يمكن للمصنعين بسهولة أن يسيئوا تفسير أي العيوب موجود بالفعل وبأي كميات.

توفر مقاربة فريق MIT، القائمة على النيوترونات والأطياف الاهتزازية، صورة أشمل، لكنها ليست بعد عملية بالنسبة لمعظم المصانع. “هذه الطريقة قوية جدًا، لكن توافرها محدود”، كما تلاحظ طالبة الماجستير (master’s student) إيونبي راها. علاوة على ذلك، تشرح أن الأطياف الاهتزازية تبدو من حيث المبدأ بسيطة، لكن الإعدادات التجريبية لقياسات النيوترونات يمكن أن تكون معقدة وكبيرة النطاق.

وبسبب ذلك، يستكشف لي وزملاؤه مسارات أكثر سهولة. تستخدم الشركات بالفعل أدوات قائمة على رامان على نطاق واسع لاكتشاف عيوب أشباه الموصلات، وقد طلب عدد من الشركاء الصناعيين معرفة متى يمكن لنموذج مشابه مدفوع بالذكاء الاصطناعي أن يعمل مع بيانات رامان بدلًا من النيوترونات.

نحو رسم خرائط أدق للعيوب بطريقة غير اجتياحية

استجابةً لهذا الطلب، يخطط الباحثون لتطوير نموذج لمطيافية رامان يعكس نظامهم القائم على النيوترونات لكن يعتمد على تشتت الضوء بدلًا من النيوترونات. وفي الوقت ذاته، يهدفون إلى توسيع إطارهم خارج عيوب النقاط لالتقاط سمات بنيوية أكبر مثل الحبيبات (grains) والانخلوعات/الخلوعات (dislocations) التي تؤثر أيضًا في أداء المادة.

بالنسبة إلى يونغتشيانغ تشنغ ودوجلاس إل أبرناثي (Douglas L Abernathy) من مختبر أوك ريدج الوطني (Oak Ridge National Laboratory)، وهما المشاركان في تأليف الورقة، فإن هذا العمل يبرز كيف يمكن أن يؤدي الجمع بين أدوات مطيافية متقدمة والذكاء الاصطناعي إلى فتح رؤى جديدة للمادة. ومع ذلك، يؤكدون أن التحقق التجريبي سيظل ضروريًا بينما تتوسع النماذج.

في النهاية، يرى الفريق دراستهم إثباتًا للمفهوم لنشر اكتشاف عيوب مدعوم بالذكاء الاصطناعي عبر مجموعة من منصات القياس. وبالنسبة للعين البشرية، يقول لي، غالبًا ما تبدو إشارات العيوب في الأطياف الاهتزازية متطابقة تقريبًا. لكن التعرف على الأنماط بالذكاء الاصطناعي يمكنه تفكيك التغيرات الدقيقة واستنتاج المشهد الحقيقي للعيوب بدقة كمية.

“العيوب هي سيف ذو حدين”، يلاحظ لي. “هناك العديد من العيوب المفيدة، لكن إذا كان هناك عدد كبير جدًا منها فقد يتدهور الأداء. وهذا يفتح نموذجًا جديدًا في علم العيوب.” نُشرت الأبحاث في مجلة Matter، وحصلت على دعم من وزارة الطاقة الأمريكية (Department of Energy) ومؤسسة العلوم الوطنية (National Science Foundation)، وتستند إلى أعمال تعود إلى عام 2021.

باختصار، أظهر فريق MIT أن الذكاء الاصطناعي، بالاقتران مع بيانات اهتزازات التشتت النيوتروني، يمكنه رسم خرائط لعدة عيوب على المستوى الذري في آن واحد، مما يوفر مسارًا غير اجتياحي وفعّالًا نحو مواد مُصمَّمة بدقة أكبر.