MIT研究者、AIを用いて材料中の原子欠陥を発見

生物学において、欠陥は一般的に悪いものとされる。しかし材料科学では、欠陥を意図的に調整することで材料に有用な新特性を与えることができる。今日では、原子スケールの欠陥は、鋼鉄、半導体、太陽電池などの製品の製造プロセスにおいて、強度の向上、電気伝導性の制御、性能の最適化などを目的として注意深く導入されている。 しかし、欠陥が強力なツールとなった一方で、完成品における異なる種類の欠陥とその濃度を正確に測定することは困難であり、特に最終材料を切断したり損傷を与えたりすることなく行うことは難しかった。材料中にどのような欠陥が存在するかを知らなければ、エンジニアは性能が低い製品や意図しない特性を持つ製品を作り出すリスクを負うことになる。 現在、MITの研究者たちは、非侵襲的な中性子散乱技術からのデータを用いて、特定の欠陥を分類・定量化できるAIモデルを構築した。2,000種類の異なる半導体材料で訓練されたこのモデルは、材料中の最大6種類の点欠陥を同時に検出することができ、これは従来の技術のみでは不可能なことである。 「既存の技術では、材料を破壊することなく、普遍的かつ定量的に欠陥を正確に特徴づけることはできない」と、材料科学工学科の博士課程学生で筆頭著者のMouyang Chengは述べている。「機械学習を用いない従来の技術では、6種類の異なる欠陥を検出することは考えられない。他の方法ではできないことだ」。 研究者たちは、このモデルが半導体、マイクロエレクトロニクス、太陽電池、電池材料などの製品において欠陥をより精密に制御するための一歩であると述べている。 「現在、欠陥の検出は、象を見るという格言のようだ。各技術はその一部しか見ることができない」と、上級著者で原子核科学工学科准教授のMingda Liは述べている。「ある技術は鼻を見、別の技術は鼻や耳を見る。しかし、象全体を見ることは非常に難しい。欠陥の全体像を把握するより良い方法が必要だ。なぜなら、材料をより有用にするためには、それらを理解しなければならないからだ」。 本論文には、ChengとLiに加えて、ポスドクのChu-Liang Fu、学部研究員のBowen Yu、修士課程学生のEunbi Rha、博士課程学生のAbhijatmedhi Chotrattanapituk '21、およびオークリッジ国立研究所のスタッフであるDouglas L Abernathy PhD '93とYongqiang Chengが参加している。本論文は本日、学術誌『Matter』に掲載された。 **欠陥の検出** 製造業者は材料中の欠陥を調整することに長けているが、完成品における欠陥の正確な量を測定することは、依然として推測の域を出ないことが多い。 「エンジニアには、ドーピングなどを通じて欠陥を導入する多くの方法があるが、彼らは依然として、どのような種類の欠陥を作成したのか、その濃度はどのくらいかといった基本的な問題に苦労している」とFuは述べている。「時には、酸化などの望ましくない欠陥も生じる。合成中に望ましくない欠陥や不純物を導入してしまったかどうか、常に把握しているわけではない。これは長年の課題だ」。 その結果、各材料にはしばしば複数の欠陥が存在することになる。残念ながら、欠陥を理解するための各手法には限界がある。X線回折や陽電子消滅などの技術は、一部の種類の欠陥しか特徴づけられない。ラマン分光法は欠陥の種類を識別できるが、濃度を直接推測することはできない。透過型電子顕微鏡として知られる別の技術では、スキャン用に試料の薄片を切断する必要がある。 過去のいくつかの論文で、Liと共同研究者たちは、結晶性材料を特徴づけるために、実験的分光データに機械学習を適用した。新しい論文では、彼らはその技術を欠陥に適用したいと考えた。 実験のために、研究者たちは2,000種類の半導体材料の計算データベースを構築した。彼らは各材料のサンプルペアを作成し、一方を欠陥のためにドープし、もう一方は欠陥なしのままにした。その後、固体材料中の原子の異なる振動周波数を測定する中性子散乱技術を使用した。彼らはその結果を用いて機械学習モデルを訓練した。 「これにより、周期表の56元素をカバーする基礎モデルが構築された」とChengは述べている。「このモデルは、ChatGPTが使用しているものと同じマルチヘッドアテンション機構を活用している。同様に、欠陥のある材料とない材料のデータの違いを抽出し、どのようなドーパントが使用され、どのような濃度であったかの予測を出力する」。 研究者たちはモデルを微調整し、実験データで検証し、電子機器で一般的に使用される合金と別の超伝導体材料において、欠陥濃度を測定できることを示した。 研究者たちはまた、複数の点欠陥を導入してモデルの限界をテストするために、材料を複数回ドープした。その結果、モデルが材料中の最大6つの欠陥について同時に予測を行えること、また欠陥濃度が0.2%という低濃度でも可能であることを最終的に発見した。 「これほどうまく機能するとは本当に驚いた」とChengは述べている。「2種類の異なる欠陥からの混合信号を解読することは非常に困難だ。ましてや6つともなると」。 **モデルアプローチ** 一般的に、半導体などの製造業者は、製造ラインから出てくる製品のごく一部に対して侵襲的なテストを実行しており、これは遅いプロセスであり、すべての欠陥を検出する能力を制限している。 「現在、人々は材料中の欠陥量を主に推定している」とYuは述べている。「各技術を個別に使用して推定値を確認するのは骨の折れる作業であり、いずれにせよ単一の結晶粒内の局所的な情報しか提供しない。これは、人々が自分の材料にどのような欠陥があると考えているかについての誤解を生み出す」。 結果は研究者たちにとって刺激的であったが、彼らは、中性子を用いた振動周波数の測定技術は、企業が自社の品質管理プロセスに迅速に導入するには難しいであろうと指摘している。 「この方法は非常に強力だが、その利用可能性は限られている」とRhaは述べている。「振動スペクトルは単純な概念だが、特定の設定では非常に複雑になる。ラマン分光法などの他のアプローチに基づく、より単純な実験設定もあり、それらはより迅速に採用される可能性がある」。 Liは、企業がすでにこのアプローチに関心を示し、広く使用されている光の散乱を測定する技術であるラマン分光法と連携して機能するのはいつかと尋ねていると述べている。Liは、研究者たちの次のステップは、ラマン分光データに基づいて同様のモデルを訓練することであると述べている。彼らはまた、点欠陥よりも大きな特徴、例えば結晶粒や転位を検出するために、彼らのアプローチを拡張する計画である。 しかし現時点では、研究者たちは、彼らの研究が欠陥データを解釈するためのAI技術の本質的な利点を示していると信じている。 「人間の目には、これらの欠陥信号は本質的に同じように見えるだろう」とLiは述べている。「しかし、AIのパターン認識は、異なる信号を識別し、真実に到達するのに十分なほど優れている。欠陥はこの両刃の剣だ。多くの良い欠陥があるが、多すぎると性能が低下する可能性がある。これは欠陥科学における新しいパラダイムを切り開く」。 この研究は、一部、米国エネルギー省および米国国立科学財団によって支援された。

MIT研究者、AIを用いて材料中の原子欠陥を発見

背景や根拠まで確認しますか？

調べる

選ぶ

サイト