در زیست شناسی، نقص ها معمولا بد هستند. اما در علم مواد، عیوب را می توان عمدا تنظیم کرد تا به مواد خواص مفید جدیدی بدهد. امروزه، عیوب در مقیاس اتمی در طول فرآیند تولید محصولاتی مانند فولاد، نیمه هادی ها و سلول های خورشیدی به دقت معرفی می شوند تا به بهبود استحکام، کنترل هدایت الکتریکی، بهینه سازی عملکرد و موارد دیگر کمک کنند.
اما اگرچه عیوب به ابزاری قدرتمند تبدیل شده‌اند، اما اندازه‌گیری دقیق انواع مختلف عیوب و غلظت آنها در محصولات نهایی چالش برانگیز است، به ویژه بدون برش یا آسیب رساندن به مواد نهایی. مهندسان بدون اینکه بدانند چه عیوبی در موادشان وجود دارد، خطر ساخت محصولاتی با عملکرد ضعیف یا خواص نامطلوب را به جان می‌خرند.
اکنون، محققان MIT یک مدل هوش مصنوعی ساخته‌اند که قادر به طبقه‌بندی و کمی کردن نقص‌های خاص با استفاده از داده‌های یک روش غیرتهاجمی پراکندگی نوترون است. این مدل که بر روی 2000 ماده نیمه هادی مختلف آموزش دیده است، می تواند تا شش نوع نقص نقطه ای را در یک ماده به طور همزمان تشخیص دهد، چیزی که تنها با استفاده از تکنیک های مرسوم غیرممکن است.
مویانگ چنگ، نویسنده اصلی این مقاله، دانشجوی دکترا در دپارتمان علوم و مهندسی مواد، می‌گوید: «تکنیک‌های موجود نمی‌توانند به طور کلی و کمی عیوب را بدون از بین بردن مواد مشخص کنند.» برای تکنیک‌های معمولی بدون یادگیری ماشین، تشخیص شش نقص مختلف غیرقابل تصور است.
محققان می گویند این مدل گامی به سوی تسلط دقیق تر بر عیوب محصولاتی مانند نیمه هادی ها، میکروالکترونیک ها، سلول های خورشیدی و مواد باتری است.
میندا لی، نویسنده ارشد و دانشیار علوم و مهندسی هسته‌ای، می‌گوید: «در حال حاضر، تشخیص نقص مانند ضرب المثل دیدن یک فیل است: هر تکنیک فقط می‌تواند بخشی از آن را ببیند. “بعضی ها بینی را می بینند، برخی دیگر خرطوم یا گوش ها را می بینند. اما دیدن کل فیل بسیار دشوار است. ما به راه های بهتری برای دریافت تصویر کامل از عیوب نیاز داریم زیرا باید آنها را درک کنیم تا مواد مفیدتر شوند.”
چنگ و لی توسط پژوهشگر فوق دکتری، چو لیانگ فو، محقق مقطع کارشناسی بوون یو، دانشجوی کارشناسی ارشد یونبی راا، دانشجوی دکترا آبیجاتمدی چوتراتاناپیتوک ’21، و اعضای کارکنان آزمایشگاه ملی اوک ریج، داگلاس ال آبرناتی دکترای دکترای سال 93 و یونگ کیانگ چنگ در این گزارش ملحق شدند. مقاله امروز در مجله ظاهر می شود موضوع.
تشخیص عیب
تولیدکنندگان در تنظیم عیوب در مواد خود به خوبی عمل کرده‌اند، اما اندازه‌گیری میزان دقیق عیوب در محصولات نهایی هنوز تا حد زیادی یک بازی حدس‌زنی است.
فو می‌گوید: «مهندسان راه‌های زیادی برای معرفی عیوب مانند دوپینگ دارند، اما هنوز با سؤالات اساسی مانند اینکه چه نوع نقصی ایجاد کرده‌اند و با چه تمرکزی دست و پنجه نرم می‌کنند، دست و پنجه نرم می‌کنند». “گاهی اوقات آنها همچنین دارای نقص های ناخواسته مانند اکسیداسیون هستند. آنها همیشه نمی دانند که آیا برخی از نقص ها یا ناخالصی های ناخواسته را در طول سنتز معرفی کرده اند یا خیر. این یک چالش طولانی مدت است.”
نتیجه این است که اغلب نقص های متعددی در هر ماده وجود دارد. متأسفانه هر روشی برای درک عیوب محدودیت هایی دارد. تکنیک هایی مانند پراش اشعه ایکس و نابودی پوزیترون تنها انواع خاصی از نقص ها را مشخص می کنند. طیف سنجی رامان می تواند نوع نقص را تشخیص دهد، اما نمی تواند به طور مستقیم غلظت را استنباط کند. روش دیگری که به نام میکروسکوپ الکترونی عبوری معروف است، افراد را ملزم می کند تا برش های نازکی از نمونه ها را برای اسکن برش دهند.
در چندین مقاله قبلی، لی و همکارانش از یادگیری ماشینی برای داده‌های طیف‌سنجی تجربی برای توصیف مواد کریستالی استفاده کردند. برای مقاله جدید، آنها می خواستند از این تکنیک برای نقص استفاده کنند.
برای آزمایش خود، محققان یک پایگاه داده محاسباتی از 2000 ماده نیمه هادی ساختند. آنها از هر ماده جفت‌هایی نمونه ساختند، یکی دوپ شده برای نقص و دیگری بدون نقص، سپس از تکنیک پراکندگی نوترونی استفاده کردند که فرکانس‌های ارتعاشی مختلف اتم‌ها را در مواد جامد اندازه‌گیری می‌کند. آنها یک مدل یادگیری ماشینی را بر روی نتایج آموزش دادند.
چنگ می‌گوید: «این یک مدل پایه ایجاد کرد که شامل 56 عنصر جدول تناوبی است. “این مدل از مکانیسم توجه چند سر استفاده می کند، درست مانند آنچه ChatGPT استفاده می کند. به طور مشابه، تفاوت در داده های بین مواد با و بدون نقص را استخراج می کند و پیش بینی می کند که چه مواد افزودنی و در چه غلظت هایی استفاده می شود.”
محققان مدل خود را اصلاح کردند، آن را بر روی داده های تجربی آزمایش کردند و نشان دادند که می تواند غلظت عیب را در آلیاژی که معمولا در الکترونیک و در یک ماده ابررسانا استفاده می شود اندازه گیری کند.
محققان همچنین به طور مکرر مواد را آلیاژ کردند تا نقص‌های چند نقطه‌ای را معرفی کنند و محدودیت‌های مدل را آزمایش کنند، در نهایت دریافتند که می‌تواند تا شش نقص در مواد را به طور همزمان پیش‌بینی کند، با غلظت نقص تا ۰.۲ درصد.
چنگ می‌گوید: «ما واقعاً شگفت‌زده شدیم که آنقدر خوب کار کرد. رمزگشایی سیگنال های ترکیبی از دو نوع مختلف نقص بسیار چالش برانگیز است – چه رسد به شش.
یک رویکرد مدل
به طور معمول، سازندگان چیزهایی مانند نیمه هادی ها آزمایش های تهاجمی را بر روی درصد کمی از محصولات در حالی که از خط تولید خارج می شوند، انجام می دهند، فرآیندی آهسته که توانایی آنها را برای تشخیص هر نقص محدود می کند.
یو می گوید: «در حال حاضر، مردم تا حد زیادی میزان عیوب مواد خود را تخمین می زنند. “بررسی تخمین ها با استفاده از تک تک تکنیک ها، که به هر حال فقط اطلاعات محلی را در یک دانه ارائه می دهد، تجربه ای پر زحمت است. این باعث ایجاد سوء تفاهم در مورد نقص هایی که مردم فکر می کنند در مطالب خود دارند.”
نتایج برای محققان هیجان‌انگیز بود، اما آنها خاطرنشان کردند که تکنیک آنها برای اندازه‌گیری فرکانس‌های ارتعاشی با نوترون‌ها برای شرکت‌ها دشوار است که به سرعت در فرآیندهای کنترل کیفیت خود پیاده‌سازی کنند.
Rha می گوید: «این روش بسیار قدرتمند است، اما در دسترس بودن آن محدود است. طیف‌های ارتعاشی ایده ساده‌ای هستند، اما در تنظیمات خاص بسیار پیچیده است. تنظیمات آزمایشی ساده‌تری بر اساس روش‌های دیگر، مانند طیف‌سنجی رامان، وجود دارد که می‌توان آنها را سریع‌تر به کار برد.
لی می‌گوید شرکت‌ها قبلاً به این رویکرد ابراز علاقه کرده‌اند و پرسیده‌اند که چه زمانی با طیف‌سنجی رامان، تکنیکی پرکاربرد که پراکندگی نور را اندازه‌گیری می‌کند، کار می‌کند. لی می گوید گام بعدی محققان آموزش مدلی مشابه بر اساس داده های طیف سنجی رامان است. آنها همچنین قصد دارند رویکرد خود را برای شناسایی ویژگی هایی که بزرگتر از عیوب نقطه ای هستند، مانند دانه ها و نابجایی ها گسترش دهند.
با این حال، در حال حاضر، محققان بر این باورند که مطالعه آنها مزیت ذاتی تکنیک‌های هوش مصنوعی برای تفسیر داده‌های نقص را نشان می‌دهد.
لی می گوید: «از نظر چشم انسان، این سیگنال های نقص اساساً یکسان به نظر می رسند. “اما تشخیص الگوی هوش مصنوعی به اندازه کافی خوب است تا بین سیگنال های مختلف تمایز قائل شود و به حقیقت دست پیدا کند. نقص ها این شمشیر دو لبه است. عیب های خوب زیادی وجود دارد، اما اگر تعداد آنها بیش از حد باشد، عملکرد می تواند کاهش یابد. این الگوی جدیدی را در علم نقص باز می کند.”
این کار تا حدی توسط وزارت انرژی و بنیاد ملی علوم پشتیبانی شد.
