人工智能缺陷检测能非侵入性地在半导体中映射出六种原子级缺陷吗？

麻省理工学院（MIT）的研究人员开发出一种新方法，利用AI缺陷检测来识别材料中极其微小的瑕疵，而无需切割或损坏样品。

AI模型聚焦原子尺度缺陷

在材料科学中，微观瑕疵可能是一种优势而非负担，因为经过有意设计的缺陷往往能够增强机械强度、改善热传递，或提高能量转换效率。然而，要在成品中准确绘制这些缺陷的分布，长期以来一直让工程师们感到难以应对。

为了解决这一问题，MIT的一支团队构建了一个AI模型，使用一种非侵入性的中子散射技术数据，对原子尺度缺陷进行分类与定量。该系统在训练了2,000种不同的半导体材料后，能够同时检测多达六种点缺陷，这是传统方法无法实现的。

“现有技术在不破坏材料的前提下，无法以通用且定量的方式准确表征缺陷，”解释了材料科学与工程系的博士候选人Mouyang Cheng。此外，他还指出：如果没有机器学习，要在一次分析中解析“六种不同缺陷类型”简直是不可能的。

研究人员认为，这种能力是在向产品（如半导体、微电子、太阳能电池以及先进电池材料）中实现更精细的缺陷控制迈出一步。不过，他们强调，仍需要互补方法来看到复杂缺陷地形的“完整全貌”。

传统缺陷分析的局限

制造商已经擅长通过掺杂等技术有意引入缺陷，但缺陷浓度的定量仍在很大程度上停留在估算层面。“工程师有很多方式引入缺陷，比如通过掺杂，但他们仍然在一些基础问题上难以回答，比如他们究竟制造出了哪种缺陷、以及缺陷的浓度是多少，”博士后Chu-Liang Fu说。

诸如在合成过程中引入的氧化或杂质等非期望缺陷，进一步使情况变得复杂。然而，每一种用于探测缺陷的既有方法都有严格的限制。X射线衍射和正电子湮灭只能表征特定类型的缺陷，而拉曼光谱可以揭示缺陷类别，但无法直接给出缺陷浓度。

另一种常用工具——透射电子显微镜——需要对样品进行切割，制备超薄切片以进行成像。这使它具有侵入性，并且不适用于对成品进行高通量质量控制。因此，许多材料中往往存在多种缺陷种群，但其定量程度很低，而这些缺陷可能以制造商未完全理解的方式降低性能。

用中子数据训练模型

在此前的工作中，主要研究负责人Mingda Li及其合作者已经证明，将机器学习应用于光谱数据可以对晶体材料进行分类。在本研究中，团队将这一策略扩展为专门聚焦缺陷及其浓度。

研究团队先构建了一个包含2,000种半导体材料的计算数据库，然后为每种材料生成样本对：一个是完美无缺（pristine）的样本，另一个是经过掺杂以引入特定缺陷的样本。使用对每一对样本都相同的中子散射技术，他们测量了固体材料中原子的振动频率，并汇总形成了一个丰富的数据集。

“这就建立了一个覆盖元素周期表中56种元素的基础模型，”Cheng说。该网络使用多头注意力机制，这与ChatGPT等工具背后的相同架构有关。此外，它还能学习从无缺陷样本与掺杂样本之间的振动光谱中提取微妙差异，然后预测存在的掺杂剂类型及其浓度。

在对系统进行精细调整，并用实验测量结果进行验证后，研究人员展示了该模型能够准确估计一种广泛用于电子领域的合金中的缺陷浓度，以及另一种不同的超导体材料中的缺陷浓度。此结果表明，该方法并不局限于某一种化合物。

一次量化多个点缺陷

为了探查其框架的极限，科学家们对某些材料进行了多次掺杂，以同时引入多种点缺陷。随后，他们仅凭中子-振动数据让模型恢复这些缺陷的类型以及相对含量。

这项AI能力证明：在单个材料中最多可以预测多达六种不同的点缺陷，而且它还能分辨低至0.2 percent的缺陷浓度。不过，即便是研究团队自己，这种性能水平也让他们感到意外。“要解码两种不同缺陷类型的混合信号——更不用说六种——真的非常具有挑战性，”Cheng指出。

据研究人员称，这项处于中间地带的实验突显了AI缺陷检测如何能够区分那些与人类分析师看来几乎相同的重叠光谱模式。此外，结果还指向一条更系统的路径，即他们所称的“缺陷感知（defect-aware）”材料工程。

从实验室方法到工业工具

在当前的半导体与微电子制造中，公司通常只会使用侵入式表征手段测试一小部分成品。这一工作流程会减慢反馈速度，并使得难以发现每一个有问题的缺陷，尤其是当多种缺陷以复杂方式共存时。

“目前，人们主要是估算其材料中缺陷的数量，”本科研究员Bowen Yu说。要核查这些估算需要多种专门技术，而每一种技术只能探测样品中很小的区域或单个晶粒。结果是，Yu补充道，制造商很容易误解哪些缺陷实际上存在，以及这些缺陷的含量是多少。

MIT团队的方法基于中子与振动光谱，能提供更全面的图景，但目前对大多数工厂来说还不够实用。“这种方法非常强大，但它的可用性有限，”硕士生Eunbi Rha指出。此外，她解释道：尽管振动光谱在概念上很简单，但用于中子测量的实验装置可能复杂且规模巨大。

因此，Li和他的同事正在探索更容易获得的路径。公司已经广泛使用基于拉曼的工具来进行半导体缺陷检测，而一些工业合作伙伴也询问：类似的由AI驱动的模型何时能够改用拉曼数据，而不是中子数据。

走向更广泛的、非侵入式缺陷绘图

针对这一需求，研究人员计划开发一个拉曼光谱模型，使其镜像他们基于中子的系统，但依赖的是光的散射而不是中子。同时，他们希望将框架从点缺陷扩展到能够捕捉更大尺度的结构特征，例如晶粒与位错，这些同样会影响材料性能。

对于共同撰写论文的橡树岭国家实验室（Oak Ridge National Laboratory）研究人员Yongqiang Cheng以及Douglas L Abernathy（博士，1993年），这项工作强调了如何将先进的光谱工具与人工智能结合，能够解锁对物质的新视角。不过，他们也强调，随着模型扩展，实验验证将仍然至关重要。

最终，研究团队将这项研究视为一种用于在多种测量平台上部署AI驱动缺陷检测的概念验证。对人眼而言，Li说，振动光谱中的缺陷信号往往看起来几乎相同。然而，AI模式识别可以分离出细微差别，并以定量精度推断真实的缺陷地形。

“缺陷就是这种双刃剑，”Li观察道。“有很多好的缺陷，但如果缺陷太多，性能就可能下降。这为缺陷科学打开了一个新的范式。”该研究发表在期刊Matter上，获得了美国能源部与美国国家科学基金会的支持，并建立在可追溯至2021年的工作基础之上。

总之，MIT团队已经表明：将AI与中子散射的振动数据结合，可以一次性绘制多种原子尺度缺陷，从而为更精确工程化的材料提供一条强大的非侵入式路径。