AI wykrywa 6 defektów w półprzewodnikach

# Model AI do jednoczesnego wykrywania sześciu typów defektów w półprzewodnikach

Badacze z MIT opracowali sieć neuronową zdolną do jednoczesnego wykrywania do sześciu typów punktowych defektów w materiałach półprzewodnikowych bez uszkadzania próbki. Model działa na danych nieelastycznego rozpraszania neutronów, określając stężenia domieszek od 0,2%. Został wytrenowany na bazie 2000 próbek i obejmuje 56 pierwiastków układu okresowego. Wyniki potwierdzono eksperymentami na stopach stosowanych w elektronice i nadprzewodnikach.

Defekty sieci atomowej w półprzewodnikach to kluczowy czynnik w dostrajaniu właściwości elektrycznych. Są one celowo wprowadzane podczas syntezy materiałów na chipy, panele słoneczne i baterie. Tradycyjne metody analizy mają ograniczenia: dyfrakcja rentgenowska wykrywa tylko niektóre typy, spektroskopia Ramana inne, a mikroskopia elektronowa niszczy próbkę. Nowy model oparty na mechanizmie multihead attention integruje widma i dekoduje złożone sygnały.

Zasada działania modelu

Metoda nieelastycznego rozpraszania neutronów rejestruje częstotliwości oscylacji atomów, tworząc unikalne widma dla każdego defektu. Sieć neuronowa porównuje widma próbek z defektami i idealnych, wyodrębniając wzorce domieszek. Architektura z multihead attention umożliwia przetwarzanie wielowymiarowych danych, podobnie jak transformery w LLM.

Kluczowe etapy przetwarzania:

• Zbieranie danych: Widma z źródeł neutronowych.
• Wstępne przetwarzanie: Normalizacja i wyrównanie pików.
• Trening: Podejście nadzorowane na 2000 próbkach z znanymi defektami.
• Inferencja: Prognoza do 6 typów domieszek i ich stężeń w jednym przejściu.

Model wykazuje wysoką dokładność na mieszanych defektach, gdzie tradycyjne metody dają fałszywe alarmy. Główny autor, Mouyan Cheng, zauważył: dekodowanie sygnałów od sześciu defektów wcześniej uważano za niemożliwe.

Walidacja eksperymentalna

Testy przeprowadzono na rzeczywistych materiałach:

• Stop do mikroelektroniki — wykryto 4 typy defektów ze stężeniami 0,3–1,2%.
• Nadprzewodnik — rozpoznano 6 domieszek jednocześnie, błąd <5%.
• Próby kontrolne bez defektów — brak fałszywych pozytywów.

Profesor Mingda Li porównał podejście do przypowieści o ślepych i słoniu: każda metoda widzi fragment, AI składa pełny obraz. Ograniczeniem jest dostęp do instalacji neutronowych, ale plany obejmują adaptację do spektroskopii Ramana dla zastosowań przemysłowych.

Co najważniejsze

• Sieć neuronowa wykrywa do 6 punktowych defektów bez niszczenia próbki.
• Dokładność od 0,2% stężeń dzięki multihead attention.
• Obejmuje 56 pierwiastków, wytrenowana na 2000 półprzewodnikach.
• Perspektywa przejścia na spektroskopię Ramana dla produkcji.
• Potwierdzone na stopach elektroniki i nadprzewodnikach.

Perspektywy w materiałoznawstwie

Integracja AI w kontrolę jakości zrewolucjonizuje produkcję półprzewodników. Deweloperzy będą mogli monitorować defekty w czasie rzeczywistym na fabrykach, optymalizując parametry legowania. Dla doświadczonych specjalistów z materiałoznawstwa model otwiera dostęp do fundamentalnych danych bez dużych instalacji. Kolejne kroki: rozszerzenie zbioru danych, uczenie multimodalne (neutrony + Raman + TEM). Umożliwi to skalowanie technologii na baterie, elementy PV i materiały kwantowe.

— Editorial Team