A deteção de defeitos por IA consegue mapear seis defeitos atómicos em semicondutores de forma não invasiva?

Investigadores do MIT desenvolveram uma nova abordagem que utiliza a detecção de defeitos por IA para identificar imperfeições minúsculas nos materiais sem cortar nem danificar as amostras.

Modelo de IA com alvo em defeitos à escala atómica

Em ciência dos materiais, falhas microscópicas podem ser um trunfo em vez de uma desvantagem, uma vez que defeitos deliberadamente concebidos muitas vezes melhoram a resistência mecânica, a transferência de calor ou a eficiência de conversão de energia. No entanto, mapear com precisão estes defeitos em produtos acabados tem, há muito, sido um desafio para os engenheiros.

Para resolver este problema, uma equipa do MIT construiu um modelo de IA que classifica e quantifica defeitos à escala atómica usando dados de uma técnica de difração de neutrões não invasiva. O sistema, treinado em 2.000 materiais semicondutores diferentes, consegue detetar simultaneamente até seis tipos de defeitos pontuais, algo que as abordagens convencionais não conseguem.

“As técnicas existentes não conseguem caracterizar defeitos de forma universal e quantitativa sem destruir o material”, explica Mouyang Cheng, candidato a doutoramento no Departamento de Ciência e Engenharia de Materiais. Além disso, salienta que, sem aprendizagem automática, “é impensável” resolver seis tipos distintos de defeitos numa única análise.

Os investigadores defendem que esta capacidade representa um passo em direção a um controlo muito mais fino de defeitos em produtos como semicondutores, microelectrónica, células solares e materiais avançados para baterias. Dito isto, salientam que ainda são necessários métodos complementares para ver o “elefante completo” dos complexos cenários de defeitos.

Limitações da análise convencional de defeitos

Os fabricantes tornaram-se hábeis em introduzir deliberadamente defeitos através de técnicas como a dopagem, mas quantificar as concentrações de defeitos continua, em grande medida, uma tarefa de estimativa. “Os engenheiros têm muitas formas de introduzir defeitos, como através da dopagem, mas ainda têm dificuldade em questões básicas como que tipo de defeito criaram e em que concentração”, diz Chu-Liang Fu, pós-doutorando.

Defeitos indesejados, como oxidação ou impurezas introduzidas durante a síntese, complicam ainda mais a situação. Ainda assim, cada método estabelecido para investigar defeitos tem limites estritos. A difração de raios-X e a aniquilação de positrões só conseguem caracterizar tipos específicos de defeitos, enquanto a espectroscopia Raman pode revelar categorias de defeitos, mas não a respetiva concentração diretamente.

Outra ferramenta amplamente usada, o microscópio eletrónico de transmissão, exige cortar fatias ultrafinas de uma amostra para obter imagens. Isso torna-o invasivo e inadequado para controlo de qualidade de grande volume em peças acabadas. Por conseguinte, muitos materiais albergam múltiplas populações de defeitos, mal quantificadas, que podem degradar o desempenho de formas que os fabricantes não compreendem totalmente.

Treinar o modelo com dados de neutrões

Num trabalho anterior, o investigador principal Mingda Li e colaboradores mostraram que a aprendizagem automática aplicada a dados de espectroscopia pode classificar materiais cristalinos. Neste estudo, a equipa expandiu essa estratégia para se focar especificamente em defeitos e nas respetivas concentrações.

O grupo construiu uma base de dados computacional de 2.000 materiais semicondutores e, depois, gerou pares de amostras para cada um: uma amostra pura e outra dopada para introduzir defeitos específicos. Usando a mesma técnica de difração de neutrões para cada par, mediram as frequências vibracionais dos átomos dentro dos materiais sólidos e compilaram um conjunto de dados rico.

“Isso construiu um modelo de base que abrange 56 elementos na tabela periódica”, diz Cheng. A rede utiliza um mecanismo de atenção multihead, a mesma arquitetura que está na base de ferramentas como o ChatGPT. Além disso, aprende a extrair diferenças subtis nos espectros vibracionais entre amostras sem defeitos e amostras dopadas e, em seguida, prevê que dopantes estão presentes e em que concentrações.

Após afinar o sistema e validá-lo com medições experimentais, os investigadores mostraram que o modelo conseguia estimar com precisão as concentrações de defeitos numa liga amplamente usada em eletrónica, bem como num material supercondutor distinto. Isto demonstrou que a abordagem não se limita a um único composto.

Quantificar vários defeitos pontuais de uma só vez

Para testar os limites do seu modelo, os cientistas doparam certos materiais várias vezes para introduzir simultaneamente vários tipos de defeitos pontuais. Em seguida, pediram ao modelo que recuperasse tanto os tipos como as quantidades relativas destes defeitos apenas a partir de dados de vibração dos neutrões.

A IA revelou-se capaz de prever até seis defeitos pontuais diferentes dentro de um único material e podia resolver concentrações de defeitos tão baixas quanto 0.2 por cento. No entanto, este nível de desempenho surpreendeu até a própria equipa. “É muito desafiante decifrar os sinais mistos de dois tipos diferentes de defeitos — quanto mais de seis”, assinala Cheng.

De acordo com os investigadores, este experimento numa zona intermédia evidencia como a deteção de defeitos por IA consegue distinguir padrões espectrais sobrepostos que pareceriam quase idênticos para analistas humanos. Além disso, os resultados apontam para um caminho mais sistemático em direção ao que chamam de engenharia de materiais “orientada para defeitos”.

Da metodologia de laboratório à ferramenta industrial

Na produção atual de semicondutores e microelectrónica, as empresas normalmente testam apenas uma pequena fração dos produtos acabados usando caracterização invasiva. Este fluxo de trabalho abranda o retorno de informação e torna difícil detetar todos os defeitos problemáticos, sobretudo quando vários tipos coexistem de formas complexas.

“Neste momento, as pessoas em grande medida estimam as quantidades de defeitos nos seus materiais”, diz Bowen Yu, investigador de licenciatura. Verificar essas estimativas exige várias técnicas especializadas, cada uma a analisar apenas uma pequena região ou um único grão da amostra. Como resultado, Yu acrescenta, os fabricantes podem facilmente interpretar mal quais defeitos estão realmente presentes e em que quantidades.

A abordagem da equipa do MIT, baseada em neutrões e espectros vibracionais, oferece uma visão mais completa, mas ainda não é prática para a maioria das fábricas. “Este método é muito poderoso, mas a sua disponibilidade é limitada”, refere Eunbi Rha, aluna de mestrado. Além disso, ela explica que, embora os espectros vibracionais sejam conceitualmente simples, os setups experimentais para medições com neutrões podem ser complexos e de grandes dimensões.

Por causa disso, Li e colegas estão a explorar vias mais acessíveis. As empresas já utilizam extensivamente ferramentas baseadas em Raman para deteção de defeitos em semicondutores, e vários parceiros industriais perguntaram quando um modelo semelhante orientado por IA poderia funcionar com dados de Raman em vez de neutrões.

Rumo a um mapeamento mais amplo e não invasivo de defeitos

Em resposta a essa procura, os investigadores planeiam desenvolver um modelo de espectroscopia Raman que espelhe o seu sistema baseado em neutrões, mas que dependa da dispersão de luz em vez de neutrões. Em paralelo, pretendem alargar a sua estrutura para além de defeitos pontuais, para captar características estruturais maiores como grãos e deslocações, que também influenciam o desempenho dos materiais.

Para Yongqiang Cheng e Douglas L Abernathy PhD ’93 do Oak Ridge National Laboratory, que coautoraram o artigo, o trabalho salienta como a combinação de ferramentas avançadas de espectroscopia com inteligência artificial pode desbloquear novas perspetivas sobre a matéria. Ainda assim, sublinham que a validação experimental continuará a ser essencial à medida que os modelos se expandem.

No fim, a equipa vê o seu estudo como uma prova de conceito para implementar deteção de defeitos baseada em IA em várias plataformas de medição. A olho humano, diz Li, os sinais de defeitos nos espectros vibracionais muitas vezes parecem quase idênticos. Contudo, o reconhecimento de padrões por IA pode separar variações subtis e inferir o verdadeiro cenário de defeitos com precisão quantitativa.

“Defeitos são esta espada de dois gumes”, observa Li. “Há muitos defeitos bons, mas se houver demasiados, o desempenho pode degradar-se. Isto abre um novo paradigma na ciência dos defeitos.” A investigação, publicada na revista Matter, recebeu apoio do Departamento de Energia e da National Science Foundation e baseia-se em trabalho que remonta a 2021.

Em resumo, a equipa do MIT demonstrou que a IA, quando combinada com dados vibracionais de dispersão de neutrões, pode mapear múltiplos defeitos à escala atómica de uma só vez, oferecendo uma via não invasiva e poderosa para materiais mais precisamente concebidos.