MIT研究人员利用AI揭示材料中的原子缺陷

# MIT研究人员利用AI揭示材料中的原子缺陷 来源：https://news.mit.edu/2026/mit-researchers-use-ai-uncover-atomic-defects-materials-0330 在生物学中，缺陷通常是不利的。但在材料科学中，缺陷可以被有意调控，赋予材料有用的新特性。如今，在钢铁、半导体和太阳能电池等产品的制造过程中，原子尺度的缺陷被精确引入，以帮助提高强度、控制导电性、优化性能等。 然而，尽管缺陷已成为一种强大的工具，要准确测量成品中不同类型缺陷及其浓度却一直颇具挑战，尤其在不切开或损坏最终材料的情况下。由于无法了解材料中存在哪些缺陷，工程师们面临着制造出性能不佳或具有意外特性产品的风险。 现在，MIT研究人员构建了一个AI模型，能够利用非侵入式中子散射技术的数据对特定缺陷进行分类和量化。该模型基于2000种不同的半导体材料训练而成，可同时检测材料中多达六种点缺陷，而这在使用传统技术的情况下是不可能实现的。 "现有技术无法在不破坏材料的前提下，以通用且定量的方式准确表征缺陷，"论文第一作者、材料科学与工程系博士生Mouyang Cheng表示。"对于没有机器学习的传统技术而言，检测六种不同的缺陷是不可想象的。这是其他方法无法做到的。" 研究人员表示，该模型是朝着在半导体、微电子、太阳能电池和电池材料等产品中更精确地利用缺陷迈出的重要一步。 "目前，检测缺陷就像那个关于看大象的谚语：每种技术只能看到一部分，"论文资深作者、核科学与工程副教授Mingda Li说。"有的看到鼻子，有的看到象鼻或耳朵。但要看到完整的大象极其困难。我们需要更好的方法来全面了解缺陷，因为必须理解它们才能让材料发挥更大作用。" 与Cheng和Li共同撰写论文的还有博士后Chu-Liang Fu、本科生研究员Bowen Yu、硕士生Eunbi Rha、博士生Abhijatmedhi Chotrattanapituk '21，以及橡树岭国家实验室的Douglas L Abernathy博士'93和Yongqiang Cheng。该论文（https://www.cell.com/matter/abstract/S2590-2385(26)00091-3）今日发表在《Matter》期刊上。 **检测缺陷** 制造商已擅长调控材料中的缺陷，但在成品中精确测量缺陷数量在很大程度上仍是猜测。 "工程师有许多引入缺陷的方法，比如掺杂，但他们在基本问题上仍面临困难，比如创造了什么类型的缺陷、浓度是多少，"Fu说。"有时还会出现不想要的缺陷，比如氧化。他们并不总是知道在合成过程中是否引入了一些不想要的缺陷或杂质。这是一个长期存在的挑战。" 结果是每种材料中往往存在多种缺陷。不幸的是，每种理解缺陷的方法都有其局限性。X射线衍射和正电子湮没等技术只能表征某些类型的缺陷。拉曼光谱可以辨别缺陷类型，但无法直接推断浓度。另一种称为透射电子显微镜的技术需要人们将样品切割成薄片进行扫描。 在之前的几篇论文中，Li与合作者将机器学习应用于实验光谱数据以表征晶体材料。在这篇新论文中，他们希望将该技术应用于缺陷。 在实验中，研究人员构建了一个包含2000种半导体材料的计算数据库。他们为每种材料制作了样品对，一组进行缺陷掺杂，另一组保持无缺陷状态，然后使用一种中子散射技术测量固体材料中原子的不同振动频率。他们在结果上训练了一个机器学习模型。 "这构建了一个涵盖周期表56种元素的基础模型，"Cheng说。"该模型利用多头注意力机制，就像ChatGPT使用的那样。它类似地提取有缺陷和无缺陷材料之间的数据差异，并输出关于使用了什么掺杂剂及其浓度的预测。" 研究人员对模型进行了微调，用实验数据验证，并证明它可以测量电子器件中常用合金以及另一种超导材料中的缺陷浓度。 研究人员还对材料进行了多次掺杂以引入多种点缺陷，测试模型的极限，最终发现它可以同时对材料中多达六种缺陷进行预测，缺陷浓度低至0.2%。 "它表现这么好，我们真的很惊讶，"Cheng说。"解码来自两种不同类型缺陷的混合信号已经非常具有挑战性——更不用说六种了。" **一种模型方法** 通常，半导体等产品的制造商会对生产线上的一小部分产品进行侵入式测试，这是一个缓慢的过程，限制了他们检测每个缺陷的能力。 "目前，人们很大程度上是在估计材料中缺陷的数量，"Yu说。"要通过使用每种单独的技术来检查这些估计值是一种痛苦的体验，而这些技术无论如何只能提供单个晶粒的局部信息。这造成了人们对材料中缺陷认知的误解。" 研究结果令研究人员兴奋，但他们指出，利用中子测量振动频率的技术，公司很难快速部署到自己的质量控制流程中。 "这种方法非常强大，但其可用性有限，"Rha说。"振动光谱是一个简单的概念，但在某些设置中非常复杂。有一些基于其他方法的更简单实验设置，比如拉曼光谱，可能更快被采用。" Li表示，已有公司对该方法表现出兴趣，并询问何时能适用于拉曼光谱——一种广泛使用的测量光散射的技术。Li说，研究人员的下一步是基于拉曼光谱数据训练类似的模型。他们还计划扩展方法以检测比点缺陷更大的特征，如晶粒和位错。 不过目前，研究人员相信他们的研究展示了AI技术在解读缺陷数据方面的固有优势。 "在人眼看来，这些缺陷信号看起来基本相同，"Li说。"但AI的模式识别能力足以辨别不同信号并触及真相。缺陷是把双刃剑。有许多有益的缺陷，但如果太多，性能就会下降。这为缺陷科学开辟了新范式。" 这项工作部分由美国能源部和国家科学基金会资助。