IA Detecta 6 Defectos en Semiconductores

Modelo de IA para la detección simultánea de seis tipos de defectos en semiconductores

Investigadores del MIT han desarrollado una red neuronal capaz de detectar simultáneamente hasta seis tipos de defectos puntuales en materiales semiconductores sin dañar la muestra. El modelo trabaja con datos de dispersión inelástica de neutrones, identificando concentraciones de impurezas a partir del 0,2 %. Entrenado con 2000 muestras, cubre 56 elementos de la tabla periódica. Los resultados han sido validados mediante experimentos en aleaciones para electrónica y superconductoras.

Los defectos en la red atómica de los semiconductores son un factor clave para ajustar las propiedades eléctricas. Se introducen intencionalmente durante la síntesis de materiales para chips, paneles solares y baterías. Los métodos de análisis tradicionales tienen limitaciones: la difracción de rayos X detecta solo ciertos tipos, la espectroscopía Raman otros, y la microscopía electrónica daña la muestra. El nuevo modelo, basado en atención multicabeza, integra espectros y decodifica señales complejas.

Cómo funciona el modelo

La dispersión inelástica de neutrones captura las frecuencias de vibración atómica, produciendo espectros únicos para cada defecto. La red neuronal compara espectros de muestras defectuosas e ideales, destacando patrones de impurezas. La arquitectura de atención multicabeza maneja datos multidimensionales, similar a los transformers en los LLM.

Etapas clave de procesamiento:

• Recopilación de datos: Espectros de fuentes de neutrones.
• Preprocesamiento: Normalización y alineación de picos.
• Entrenamiento: Enfoque supervisado con 2000 muestras con defectos conocidos.
• Inferencia: Predice hasta 6 tipos de impurezas y sus concentraciones en una sola pasada.

El modelo muestra alta precisión en defectos mixtos, donde los métodos tradicionales generan falsos positivos. La autora principal, Mouyan Cheng, señaló: «decodificar señales de seis defectos se consideraba anteriormente imposible».

Validación experimental

Las pruebas se realizaron en materiales reales:

• Aleación de microelectrónica — detectó 4 tipos de defectos con concentraciones del 0,3–1,2 %.
• Superconductor — reconoció 6 impurezas simultáneamente, error <5 %.
• Muestras de control sin defectos — cero falsos positivos.

El profesor Mingda Li comparó el enfoque con la parábola de los ciegos y el elefante: cada método ve un fragmento, mientras que la IA ensambla la imagen completa. Limitación: acceso a instalaciones de neutrones, pero hay planes para adaptarlo a espectroscopía Raman para uso industrial.

Puntos clave

• Red neuronal que detecta hasta 6 defectos puntuales sin dañar la muestra.
• Precisión desde concentraciones del 0,2 % usando atención multicabeza.
• Cubre 56 elementos, entrenada con 2000 semiconductores.
• Posible transición a espectroscopía Raman para fabricación.
• Validada en aleaciones para electrónica y superconductoras.

Perspectivas en la ciencia de materiales

Integrar IA en el control de calidad revolucionará la producción de semiconductores. Los desarrolladores podrán monitorear defectos en tiempo real en las líneas de fábrica, optimizando parámetros de dopaje. Para científicos senior en materiales, el modelo proporciona acceso a datos fundamentales sin instalaciones a gran escala. Próximos pasos: ampliar el conjunto de datos, entrenamiento multimodal (neutrones + Raman + TEM). Esto escalará la tecnología a baterías, células fotovoltaicas y materiales cuánticos.

— Editorial Team