En biología, los defectos son generalmente malos. Pero en la ciencia de los materiales, los defectos se pueden ajustar intencionalmente para dar a los materiales nuevas propiedades avíos. Hoy en día, los defectos a escalera atómica se introducen cuidadosamente durante el proceso de fabricación de productos como arma blanca, semiconductores y células solares para ayudar a mejorar la resistor, controlar la conductividad eléctrica, optimizar el rendimiento y más.
Pero incluso cuando los defectos se han convertido en una útil poderosa, evaluar con precisión diferentes tipos de defectos y sus concentraciones en los productos terminados ha sido un desafío, especialmente sin desobstruir ni dañar el material final. Sin entender qué defectos hay en sus materiales, los ingenieros corren el peligro de elaborar productos que tengan un rendimiento deficiente o que tengan propiedades no deseadas.
Ahora, investigadores del MIT han construido un maniquí de IA capaz de clasificar y cuantificar ciertos defectos utilizando datos de una técnica no invasiva de dispersión de neutrones. El maniquí, que fue entrenado en 2.000 materiales semiconductores diferentes, puede detectar hasta seis tipos de defectos puntuales en un material simultáneamente, poco que sería impracticable utilizando solamente técnicas convencionales.
«Las técnicas existentes no pueden caracterizar con precisión los defectos de forma universal y cuantitativa sin destruir el material», dice el autor principal Mouyang Cheng, candidato a doctorado en el Sección de Ciencia e Ingeniería de Materiales. «Para las técnicas convencionales sin enseñanza forzoso, detectar seis defectos diferentes es impensable. Es poco que no se puede hacer de otra modo».
Los investigadores dicen que el maniquí es un paso en torno a el explotación más preciso de los defectos en productos como semiconductores, microelectrónica, células solares y materiales para baterías.
«En este momento, detectar defectos es como el dicho sobre ver un elefante: cada técnica sólo puede ver una parte», dice el autor principal y profesor asociado de ciencia e ingeniería nuclear Mingda Li. «Algunos ven la ñatas, otros la trompa o las orejas. Pero es extremadamente difícil ver el elefante completo. Necesitamos mejores formas de obtener una imagen completa de los defectos, porque tenemos que entenderlos para hacer que los materiales sean más avíos».
Anejo a Cheng y Li en el artículo se encuentran el posdoctorado Chu-Liang Fu, el investigador universitario Bowen Yu, el estudiante de ingenio Eunbi Rha, el estudiante de doctorado Abhijatmedhi Chotrattanapituk ’21 y los miembros del personal del Laboratorio Doméstico Oak Ridge Douglas L Abernathy PhD ’93 y Yongqiang Cheng. El papel aparece hoy en la revista Asunto.
Detectar defectos
Los fabricantes se han vuelto buenos ajustando los defectos en sus materiales, pero evaluar cantidades precisas de defectos en productos terminados sigue siendo en gran medida un deporte de adivinanzas.
«Los ingenieros tienen muchas maneras de introducir defectos, como mediante el dopaje, pero todavía tienen dificultades con preguntas básicas como qué tipo de defecto han creado y en qué concentración», dice Fu. «A veces además tienen defectos no deseados, como oxidación. No siempre saben si introdujeron algunos defectos no deseados o impurezas durante la síntesis. Es un desafío de larga data».
El resultado es que a menudo hay múltiples defectos en cada material. Lamentablemente, cada método para comprender los defectos tiene sus límites. Técnicas como la difracción de rayos X y la aniquilación de positrones caracterizan sólo algunos tipos de defectos. La espectroscopia Raman puede discernir el tipo de defecto pero no puede inferir directamente la concentración. Otra técnica conocida como microscopio electrónico de transmisión requiere que las personas corten rodajas finas de muestras para escanearlas.
En algunos artículos anteriores, Li y sus colaboradores aplicaron el enseñanza forzoso a datos de espectroscopia empírico para caracterizar materiales cristalinos. Para el nuevo artículo, querían aplicar esa técnica a los defectos.
Para su examen, los investigadores construyeron una saco de datos computacional de 2.000 materiales semiconductores. Hicieron pares de muestras de cada material, uno dopado para detectar defectos y otro sin defectos, luego utilizaron una técnica de dispersión de neutrones que mide las diferentes frecuencias de tembleque de los átomos en materiales sólidos. Entrenaron un maniquí de enseñanza forzoso sobre los resultados.
«Eso construyó un maniquí fundamental que cubre 56 instrumentos de la tabla periódica», dice Cheng. «El maniquí aprovecha el mecanismo de atención multicabezal, al igual que el que utiliza ChatGPT. De modo similar, extrae la diferencia en los datos entre materiales con y sin defectos y genera una predicción de qué dopantes se usaron y en qué concentraciones».
Los investigadores perfeccionaron su maniquí, lo verificaron con datos experimentales y demostraron que podía evaluar concentraciones de defectos en una aleación comúnmente utilizada en electrónica y en un material superconductor separado.
Los investigadores además doparon los materiales varias veces para introducir múltiples defectos puntuales y probar los límites del maniquí, y finalmente descubrieron que puede hacer predicciones sobre hasta seis defectos en materiales simultáneamente, con concentraciones de defectos tan bajas como 0,2 por ciento.
«Nos sorprendió mucho que funcionara tan admisiblemente», dice Cheng. «Es muy difícil decodificar las señales mixtas de dos tipos diferentes de defectos, y mucho menos seis».
Un enfoque maniquí
Normalmente, los fabricantes de cosas como semiconductores realizan pruebas invasivas en un pequeño porcentaje de productos cuando salen de la diámetro de fabricación, un proceso gradual que limita su capacidad para detectar cada defecto.
«En este momento, la parentela estima en gran medida la cantidad de defectos en sus materiales», dice Yu. «Es una experiencia laboriosa comprobar las estimaciones utilizando cada técnica individual, que de todos modos sólo ofrece información nave en un solo golondrino. Crea malentendidos sobre los defectos que la parentela cree que tiene su material».
Los resultados fueron emocionantes para los investigadores, pero señalan que su técnica para evaluar las frecuencias vibratorias con neutrones sería difícil para las empresas implementarla rápidamente en sus propios procesos de control de calidad.
«Este método es muy potente, pero su disponibilidad es limitada», afirma Rha. «Los espectros vibratorios son una idea simple, pero en ciertas configuraciones es muy complicado. Hay algunas configuraciones experimentales más simples basadas en otros enfoques, como la espectroscopia Raman, que podrían adoptarse más rápidamente».
Li dice que las empresas ya han expresado interés en el enfoque y preguntaron cuándo funcionará con la espectroscopia Raman, una técnica ampliamente utilizada que mide la dispersión de la luz. Li dice que el sucesivo paso de los investigadores es entrenar un maniquí similar basado en datos de espectroscopía Raman. Igualmente planean ampliar su enfoque para detectar características que sean más grandes que los defectos puntuales, como granos y dislocaciones.
Por ahora, sin retención, los investigadores creen que su estudio demuestra la superioridad inherente de las técnicas de IA para interpretar datos de defectos.
«Para el ojo humano, estas señales de defecto parecerían esencialmente iguales», dice Li. «Pero el gratitud de patrones de la IA es lo suficientemente bueno como para discernir diferentes señales y demorar a la verdad básica. Los defectos son un arsenal de doble filo. Hay muchos defectos buenos, pero si hay demasiados, el rendimiento puede degradarse. Esto abre un nuevo molde en la ciencia de los defectos».
El trabajo fue apoyado, en parte, por el Sección de Energía y la Fundación Doméstico de Ciencias.