# Model umělé inteligence pro současné odhalení šesti typů defektů v polovodičích
Vědci z MIT vyvinuli neuronovou síť, která dokáže současně detekovat až šest typů bodových defektů v polovodičových materiálech bez poškození vzorku. Model pracuje s daty neelastického neutronového rozptylu a určuje koncentrace příměsí od 0,2 %. Je vyškolena na 2000 vzorcích a pokrývá 56 prvků periodické tabulky. Výsledky byly potvrzeny experimenty na slitinách pro elektroniku a supravodičích.
Deformace atomové mřížky v polovodičích jsou klíčovým faktorem pro ladění elektrických vlastností. Úmyslně je zavádějí při syntéze materiálů pro čipy, solární panely a baterie. Tradiční metody analýzy jsou omezené: rentgenová difrakce zachycuje jen určité typy, Ramanova spektroskopie jiné a elektronová mikroskopie vzorek ničí. Nový model založený na mechanismu multihead attention integruje spektroskopická data a dekóduje složité signály.
Princip fungování modelu
Metoda neelastického neutronového rozptylu zaznamenává vibrační frekvence atomů a vytváří unikátní spektroskopická data pro každý defekt. Neuronová síť porovnává spektroskopická data defektních a ideálních vzorků a vyčleňuje vzorce příměsí. Architektura s multihead attention umožňuje zpracovávat vícedimenzionální data podobně jako transformery v LLM.
Klíčové fáze zpracování:
- Sběr dat: Spektroskopická data z neutronových zdrojů.
- Předzpracování: Normalizace a vyrovnání vrcholů.
- Školení: Supervizovaný přístup na 2000 vzorcích s známými defekty.
- Inferenční fáze: Predikce až 6 typů příměsí a jejich koncentrací v jednom průchodu.
Model dosahuje přesnosti u smíšených defektů, kde tradiční metody vykazují falešné poplachy. Hlavní autor Mouyan Cheng poznamenal: dekódování signálů ze šesti defektů bylo dříve považováno za nemožné.
Experimentální validace
Testování proběhlo na reálních materiálech:
- Slitina pro mikroelektroniku – odhaleny 4 typy defektů s koncentracemi 0,3–1,2 %.
- Supravodič – rozpoznáno 6 příměsí současně, chyba <5 %.
- Kontrolní vzorky bez defektů – nulový false positive.
Profesor Mingda Li přirovnal přístup k příběhu o slepcích a slonovi: každá metoda vidí jen fragment, AI skládá celkový obrázek. Omezením je přístup k neutronovým zařízením, ale plány zahrnují adaptaci na Ramanovu spektroskopii pro průmyslové použití.
Co je důležité
- Neuronová síť určuje až 6 bodových defektů bez poškození vzorku.
- Přesnost od 0,2 % koncentrací na bázi multihead attention.
- Pokrývá 56 prvků, vyškolena na 2000 polovodičích.
- Perspektiva přechodu na Ramanovu spektroskopii pro výrobu.
- Potvrzeno na slitinách pro elektroniku a supravodiče.
Perspektivy v materiálovém výzkumu
Integrace AI do kontroly kvality revolučně změní výrobu polovodičů. Vývojáři budou moci monitorovat defekty v reálném čase na továrnách a optimalizovat parametry legování. Pro senior specialisty v materiálovém výzkumu model otevírá přístup k fundamentálním datům bez velkých zařízení. Další kroky: rozšíření datasetu, multimodální školení (neutrony + Raman + TEM). To umožní škálovat technologii na baterie, PV prvky a kvantové materiály.
— Editorial Team
Zatím žádné komentáře.