IA Détecte 6 Défauts dans les Semi-conducteurs

Modèle d’IA pour la détection simultanée de six types de défauts dans les semi-conducteurs

Les chercheurs du MIT ont développé un réseau de neurones capable de détecter simultanément jusqu’à six types de défauts ponctuels dans les matériaux semi-conducteurs sans endommager l’échantillon. Le modèle fonctionne avec des données de diffusion inélastique des neutrons, identifiant les concentrations d’impuretés à partir de 0,2 %. Entraîné sur 2000 échantillons, il couvre 56 éléments du tableau périodique. Les résultats ont été validés par des expériences sur des alliages pour l’électronique et les supraconducteurs.

Les défauts de réseau atomique dans les semi-conducteurs sont un facteur clé pour ajuster les propriétés électriques. Ils sont introduits intentionnellement lors de la synthèse des matériaux pour les puces, les panneaux solaires et les batteries. Les méthodes d’analyse traditionnelles présentent des limitations : la diffraction des rayons X ne détecte que certains types, la spectroscopie Raman d’autres, et la microscopie électronique endommage l’échantillon. Le nouveau modèle, basé sur l’attention multi-tête, intègre les spectres et décode les signaux complexes.

Comment fonctionne le modèle

La diffusion inélastique des neutrons capture les fréquences de vibration atomique, produisant des spectres uniques pour chaque défaut. Le réseau de neurones compare les spectres d’échantillons défectueux et idéaux, mettant en évidence les motifs d’impuretés. L’architecture d’attention multi-tête gère les données multidimensionnelles, similaire aux transformers dans les LLM.

Étapes de traitement clés :

• Collecte de données : Spectres provenant de sources de neutrons.
• Prétraitement : Normalisation et alignement des pics.
• Entraînement : Approche supervisée sur 2000 échantillons avec défauts connus.
• Inférence : Prédit jusqu’à 6 types d’impuretés et leurs concentrations en un seul passage.

Le modèle montre une haute précision sur les défauts mixtes, où les méthodes traditionnelles produisent des faux positifs. L’auteur principal, Mouyan Cheng, a noté : décoder les signaux de six défauts était auparavant considéré comme impossible.

Validation expérimentale

Les tests ont été conduits sur de vrais matériaux :

• Alliage de microélectronique — 4 types de défauts détectés avec concentrations de 0,3–1,2 %.
• Supraconducteur — 6 impuretés reconnues simultanément, erreur <5 %.
• Échantillons témoins sans défauts — zéro faux positifs.

Le professeur Mingda Li a comparé l’approche à la parabole des aveugles et de l’éléphant : chaque méthode voit un fragment, tandis que l’IA assemble l’image complète. Limitation — accès aux installations neutroniques, mais des plans incluent l’adaptation pour la spectroscopie Raman en usage industriel.

Points clés

• Réseau de neurones détecte jusqu’à 6 défauts ponctuels sans endommager l’échantillon.
• Précision à partir de concentrations de 0,2 % grâce à l’attention multi-tête.
• Couvre 56 éléments, entraîné sur 2000 semi-conducteurs.
• Potentiel passage à la spectroscopie Raman pour la fabrication.
• Validé sur alliages électroniques et supraconducteurs.

Perspectives en science des matériaux

Intégrer l’IA dans le contrôle qualité révolutionnera la production de semi-conducteurs. Les développeurs pourront surveiller les défauts en temps réel sur les chaînes de montage, optimisant les paramètres de dopage. Pour les scientifiques des matériaux seniors, le modèle donne accès à des données fondamentales sans installations à grande échelle. Prochaines étapes : élargir l’ensemble de données, entraînement multimodal (neutrons + Raman + TEM). Cela mettra la technologie à l’échelle pour les batteries, cellules PV et matériaux quantiques.

— Editorial Team