Em biologia, os defeitos são geralmente ruins. Mas na ciência dos materiais, os defeitos podem ser ajustados intencionalmente para dar aos materiais novas propriedades úteis. Hoje, defeitos em escala atômica são cuidadosamente introduzidos durante o processo de fabricação de produtos como aço, semicondutores e células solares para ajudar a melhorar a resistência, controlar a condutividade elétrica, otimizar o desempenho e muito mais.
Mas mesmo que os defeitos tenham se twister uma ferramenta poderosa, medir com precisão diferentes tipos de defeitos e suas concentrações em produtos acabados tem sido um desafio, especialmente sem abrir ou danificar o materials last. Sem saber quais são os defeitos em seus materiais, os engenheiros correm o risco de fabricar produtos com desempenho insatisfatório ou com propriedades indesejadas.
Agora, os pesquisadores do MIT construíram um modelo de IA capaz de classificar e quantificar certos defeitos usando dados de uma técnica não invasiva de dispersão de nêutrons. O modelo, que foi treinado em 2.000 materiais semicondutores diferentes, pode detectar até seis tipos de defeitos pontuais em um materials simultaneamente, algo que seria impossível usando apenas técnicas convencionais.
“As técnicas existentes não podem caracterizar defeitos com precisão de forma common e quantitativa sem destruir o materials”, diz o autor principal Mouyang Cheng, candidato a doutorado no Departamento de Ciência e Engenharia de Materiais. “Para técnicas convencionais sem aprendizado de máquina, detectar seis defeitos diferentes é impensável. É algo que não pode ser feito de outra maneira.”
Os pesquisadores dizem que o modelo é um passo para aproveitar os defeitos com mais precisão em produtos como semicondutores, microeletrônica, células solares e materiais de baterias.
“No momento, detectar defeitos é como dizer sobre ver um elefante: cada técnica só consegue ver parte dele”, diz o autor sênior e professor associado de ciência e engenharia nuclear, Mingda Li. “Alguns vêem o nariz, outros a tromba ou as orelhas. Mas é extremamente difícil ver o elefante inteiro. Precisamos de melhores formas de obter uma imagem completa dos defeitos, porque temos de os compreender para tornar os materiais mais úteis.”
Juntando-se a Cheng e Li no artigo estão o pós-doutorado Chu-Liang Fu, o pesquisador de graduação Bowen Yu, a estudante de mestrado Eunbi Rha, o estudante de doutorado Abhijatmedhi Chotrattanapituk ’21 e os membros da equipe do Oak Ridge Nationwide Laboratory Douglas L Abernathy PhD ’93 e Yongqiang Cheng. O papel aparece hoje no jornal Matéria.
Detectando defeitos
Os fabricantes se tornaram bons em ajustar defeitos em seus materiais, mas medir quantidades precisas de defeitos em produtos acabados ainda é, em grande parte, um jogo de adivinhação.
“Os engenheiros têm muitas maneiras de introduzir defeitos, como por meio do doping, mas ainda enfrentam questões básicas como que tipo de defeito criaram e em que concentração”, diz Fu. “Às vezes eles também apresentam defeitos indesejados, como oxidação. Eles nem sempre sabem se introduziram alguns defeitos indesejados ou impurezas durante a síntese. É um desafio de longa information.”
O resultado é que muitas vezes existem múltiplos defeitos em cada materials. Infelizmente, cada método para compreender os defeitos tem seus limites. Técnicas como difração de raios X e aniquilação de pósitrons caracterizam apenas alguns tipos de defeitos. A espectroscopia Raman pode discernir o tipo de defeito, mas não pode inferir diretamente a concentração. Outra técnica conhecida como microscópio eletrônico de transmissão exige que as pessoas cortem fatias finas de amostras para digitalização.
Em alguns artigos anteriores, Li e colaboradores aplicaram aprendizado de máquina a dados de espectroscopia experimental para caracterizar materiais cristalinos. Para o novo artigo, eles queriam aplicar essa técnica aos defeitos.
Para o experimento, os pesquisadores construíram um banco de dados computacional de 2.000 materiais semicondutores. Eles fizeram pares de amostras de cada materials, com um dopado para defeitos e outro sem defeitos, e então usaram uma técnica de dispersão de nêutrons que mede as diferentes frequências vibracionais dos átomos em materiais sólidos. Eles treinaram um modelo de aprendizado de máquina com base nos resultados.
“Isso construiu um modelo basic que cobre 56 elementos da tabela periódica”, diz Cheng. “O modelo aproveita o mecanismo de atenção multihead, assim como o ChatGPT está usando. Da mesma forma, extrai a diferença nos dados entre materiais com e sem defeitos e gera uma previsão de quais dopantes foram usados e em quais concentrações.”
Os pesquisadores aperfeiçoaram seu modelo, verificaram-no em dados experimentais e mostraram que ele poderia medir concentrações de defeitos em uma liga comumente usada em eletrônica e em um materials supercondutor separado.
Os pesquisadores também doparam os materiais várias vezes para introduzir múltiplos defeitos pontuais e testar os limites do modelo, descobrindo que ele pode fazer previsões sobre até seis defeitos em materiais simultaneamente, com concentrações de defeitos tão baixas quanto 0,2%.
“Ficamos realmente surpresos por ter funcionado tão bem”, diz Cheng. “É muito desafiador decodificar os sinais mistos de dois tipos diferentes de defeitos – quanto mais de seis.”
Uma abordagem de modelo
Normalmente, os fabricantes de produtos como semicondutores realizam testes invasivos em uma pequena porcentagem de produtos à medida que saem da linha de fabricação, um processo lento que limita sua capacidade de detectar todos os defeitos.
“Neste momento, as pessoas estimam em grande parte a quantidade de defeitos nos seus materiais”, diz Yu. “É uma experiência meticulosa verificar as estimativas usando cada técnica particular person, que de qualquer forma só oferece informações locais em um único grão. Isso cria mal-entendidos sobre quais defeitos as pessoas pensam ter em seu materials.”
Os resultados foram entusiasmantes para os investigadores, mas eles observam que a sua técnica de medição das frequências vibracionais com neutrões seria difícil para as empresas implementarem rapidamente nos seus próprios processos de controlo de qualidade.
“Este método é muito poderoso, mas a sua disponibilidade é limitada”, diz Rha. “Os espectros vibracionais são uma ideia simples, mas em certas configurações são muito complicados. Existem algumas configurações experimentais mais simples baseadas em outras abordagens, como a espectroscopia Raman, que poderiam ser adotadas mais rapidamente.”
Li diz que as empresas já manifestaram interesse na abordagem e perguntaram quando ela funcionará com a espectroscopia Raman, técnica amplamente utilizada que mede a dispersão da luz. Li diz que o próximo passo dos pesquisadores é treinar um modelo semelhante baseado em dados de espectroscopia Raman. Eles também planejam expandir sua abordagem para detectar características maiores que defeitos pontuais, como grãos e deslocamentos.
Por enquanto, porém, os pesquisadores acreditam que seu estudo demonstra a vantagem inerente das técnicas de IA para interpretar dados de defeitos.
“Para o olho humano, esses sinais de defeito seriam essencialmente os mesmos”, diz Li. “Mas o reconhecimento de padrões da IA é bom o suficiente para discernir diferentes sinais e chegar à verdade. Os defeitos são uma faca de dois gumes. Existem muitos defeitos bons, mas se houver muitos, o desempenho pode ser degradado. Isso abre um novo paradigma na ciência dos defeitos.”
O trabalho foi apoiado, em parte, pelo Departamento de Energia e pela Nationwide Science Basis.