AI 检测半导体中的 6 种缺陷

同时检测半导体六种点缺陷的 AI 模型

麻省理工学院研究人员开发出一种神经网络，能够在不损坏样品的情况下同时检测半导体材料中的多达六种点缺陷。该模型使用非弹性中子散射数据，从 0.2% 的浓度起即可识别杂质浓度。在 2000 个样品上训练，覆盖周期表中的 56 种元素。结果已在电子器件和超导体合金的实验中得到验证。

半导体中的原子晶格缺陷是调控电学性能的关键因素。这些缺陷在芯片、太阳能板和电池等材料的合成过程中被有意引入。传统分析方法存在局限：X 射线衍射只能检测特定类型，拉曼光谱检测其他类型，而电子显微镜则会损坏样品。新模型基于多头注意力机制，整合光谱数据并解码复杂信号。

模型工作原理

非弹性中子散射可捕获原子振动频率，为每种缺陷生成独特的光谱。神经网络通过比较有缺陷样品与理想样品的光谱，突出杂质特征。多头注意力架构能处理多维数据，类似于大型语言模型中的 Transformer。

关键处理阶段：

• 数据收集：中子源产生的光谱。
• 预处理：归一化和峰值对齐。
• 训练：基于 2000 个已知缺陷样品的监督学习。
• 推理：单次通过预测多达 6 种杂质及其浓度。

该模型在混合缺陷场景下表现出高准确率，而传统方法易产生假阳性。首席作者程牟言指出：此前认为同时解码六种缺陷信号是不可能的。

实验验证

测试在真实材料上进行：

• 微电子合金 — 检测到 4 种缺陷，浓度为 0.3–1.2%。
• 超导体 — 同时识别 6 种杂质，误差 <5%。
• 无缺陷对照样品 — 零假阳性。

李明达教授将该方法比作“盲人摸象”的寓言：传统方法各见一隅，而 AI 能拼凑出完整图像。局限性在于中子设施的访问权限，但未来计划将其适配到拉曼光谱，用于工业应用。

关键要点

• 神经网络在不损坏样品的情况下检测多达 6 种点缺陷。
• 使用多头注意力机制，从 0.2% 浓度起实现高精度。
• 覆盖 56 种元素，在 2000 种半导体样品上训练。
• 有望转向拉曼光谱应用于制造领域。
• 在电子合金和超导体上得到验证。

材料科学的前景

将 AI 集成到质量控制中，将彻底革新半导体生产。开发者可在工厂车间实时监控缺陷，优化掺杂参数。对于资深材料科学家，该模型提供无需大型设施即可获取的基础数据。下一步：扩展数据集，进行多模态训练（中子 + 拉曼 + TEM）。这将推动技术扩展至电池、光伏电池和量子材料。

— Editorial Team