Un team del MIT ha sviluppato un innovativo sistema di rilevamento difetti con IA che sfrutta tecniche non invasive per identificare imperfezioni atomiche e misurarne con precisione la concentrazione.
Summary
Difetti atomici come risorsa per nuovi materiali
Nella biologia i difetti sono generalmente negativi, ma nella scienza dei materiali possono essere sfruttati in modo controllato per ottenere proprietà avanzate. Oggi, imperfezioni su scala atomica vengono introdotte intenzionalmente in acciaio, semiconduttori e celle solari per migliorare resistenza meccanica, conducibilità elettrica ed efficienza energetica.
Tuttavia, misurare con accuratezza i diversi tipi di difetti e le loro concentrazioni nei prodotti finiti resta complesso. In molti casi, per analizzare i materiali è necessario tagliarli o danneggiarli, con il rischio di compromettere il campione e ottenere un quadro parziale.
La mancanza di una caratterizzazione precisa espone gli ingegneri al rischio di realizzare dispositivi con prestazioni inferiori alle attese o con proprietà indesiderate. Inoltre, senza una mappa affidabile delle imperfezioni presenti, diventa difficile ottimizzare in modo sistematico i processi industriali.
Un modello di IA per leggere i difetti con neutroni
I ricercatori del MIT hanno sviluppato un modello di intelligenza artificiale capace di classificare e quantificare alcuni difetti utilizzando dati provenienti da una tecnica non invasiva di scattering di neutroni. Il sistema, addestrato su 2.000 diversi materiali semiconduttori, riesce a identificare fino a sei tipi di difetti puntiformi contemporaneamente.
Secondo Mouyang Cheng, dottorando al Dipartimento di Materials Science and Engineering, le tecniche esistenti non consentono di caratterizzare i difetti in modo universale e quantitativo senza distruggere il materiale. Senza il supporto del machine learning, rilevare sei diverse tipologie di difetti sarebbe impensabile.
Inoltre, il gruppo di ricerca ritiene che il modello rappresenti un passo importante verso un controllo sempre più fine delle imperfezioni in semiconduttori, microelettronica, celle solari e materiali per batterie. L’obiettivo è trasformare i difetti in uno strumento progettuale affidabile, anziché in una variabile difficile da gestire.
Rilevamento difetti con IA: una visione completa
Mingda Li paragona la situazione attuale al celebre aneddoto dell’elefante visto a pezzi: ogni tecnica sperimentale fornisce solo una porzione dell’informazione. Alcuni metodi osservano un dettaglio, altri un diverso elemento, ma è estremamente difficile ottenere l’immagine completa delle imperfezioni presenti.
Per questo, secondo Li, servono strumenti capaci di ricostruire l’insieme dei difetti con maggiore coerenza. Inoltre, solo comprendendo l’architettura completa delle imperfezioni è possibile rendere i materiali più utili e prevedibili dal punto di vista delle prestazioni.
Lo studio è firmato, oltre che da Cheng e Li, dal postdoc Chu-Liang Fu, dallo studente undergraduate Bowen Yu, dalla studentessa magistrale Eunbi Rha, dal dottorando Abhijatmedhi Chotrattanapituk ’21 e dai ricercatori del Oak Ridge National Laboratory Douglas L. Abernathy PhD ’93 e Yongqiang Cheng. Il lavoro è stato pubblicato sulla rivista Matter.
Limiti delle tecniche tradizionali di misura
Nel settore manifatturiero, la capacità di introdurre difetti controllati è cresciuta, ma la misurazione precisa delle loro quantità nei prodotti finiti resta spesso approssimativa. Secondo Chu-Liang Fu, anche quando si usano tecniche come il doping, rimangono aperti interrogativi fondamentali su quali difetti siano effettivamente presenti e in quale concentrazione.
Inoltre, possono formarsi imperfezioni indesiderate, come l’ossidazione o altre impurità introdotte durante la sintesi. Questa incertezza rappresenta una sfida di lunga data per chi progetta nuovi materiali e dispositivi elettronici basati su semiconduttori avanzati.
Ogni campione, di fatto, contiene spesso più tipi di difetti. Tuttavia, le tecniche tradizionali presentano limiti significativi: la diffrazione a raggi X e l’annichilazione di positroni riescono a caratterizzare solo alcune categorie di imperfezioni, mentre la spettroscopia Raman identifica il tipo di difetto ma non consente di derivarne direttamente la concentrazione.
Dal database computazionale al modello di machine learning
Un’altra tecnica, il microscopio elettronico a trasmissione, richiede la preparazione di sottili lamelle del campione, rendendo il processo invasivo e laborioso. In alcuni lavori precedenti, Li e collaboratori avevano già applicato il machine learning a dati di spettroscopia per studiare materiali cristallini; il nuovo studio estende questo approccio al tema specifico dei difetti.
Per l’esperimento attuale, il team ha costruito un database computazionale di 2.000 materiali semiconduttori. Per ciascuno, sono state generate coppie di campioni: uno drogato per introdurre difetti e uno privo di difetti intenzionali, così da ottenere un riferimento diretto.
Successivamente, i ricercatori hanno utilizzato una tecnica di scattering di neutroni che misura le diverse frequenze vibrazionali degli atomi in un solido. Questi dati sono stati impiegati per addestrare un modello di machine learning in grado di collegare gli spettri osservati alla natura e alla concentrazione delle imperfezioni presenti.
Architettura del modello e prestazioni raggiunte
Come spiega Cheng, il lavoro ha permesso di costruire un modello di base che copre 56 elementi della tavola periodica. L’architettura sfrutta un meccanismo di multihead attention, analogo a quello impiegato da sistemi linguistici avanzati come ChatGPT, per estrarre differenze sottili nei dati.
In pratica, il modello confronta gli spettri dei materiali con e senza difetti, isola le variazioni significative e produce come output una previsione sui dopanti presenti e sulle loro concentrazioni. Inoltre, il sistema è stato successivamente perfezionato e validato su dati sperimentali reali.
I ricercatori hanno dimostrato che il modello è in grado di misurare le concentrazioni di difetti in una lega comunemente utilizzata in elettronica e in un materiale superconduttore distinto. In entrambi i casi, le previsioni hanno mostrato buona coerenza con le informazioni note sui campioni analizzati.
Fino a sei difetti simultanei con concentrazioni minime
Per testare i limiti del sistema, il team ha dopato i materiali più volte, introducendo molteplici difetti puntiformi nello stesso campione. In questo modo è stato possibile verificare se il modello riuscisse a decodificare segnali sovrapposti e complessi.
Il risultato è che l’algoritmo può formulare previsioni su fino a sei difetti simultaneamente, con concentrazioni minime rilevabili pari allo 0,2%. Secondo Cheng, è sorprendente che le prestazioni siano così elevate, dato che anche distinguere due tipologie diverse di difetti rappresenta una sfida considerevole.
Inoltre, l’approccio consente di andare oltre la semplice individuazione della presenza di imperfezioni, offrendo una vera quantificazione delle loro quantità. Questo elemento è cruciale per collegare in modo diretto la microstruttura del materiale alle sue proprietà macroscopiche.
Dai test invasivi al controllo qualità avanzato
Attualmente i produttori di semiconduttori eseguono test invasivi su una frazione limitata dei dispositivi che escono dalla linea, un processo lento che rende difficile intercettare ogni anomalia. Come osserva Bowen Yu, spesso le quantità di difetti vengono stimate e poi verificate, con grande fatica, tramite singole tecniche che forniscono solo informazioni locali.
Questo approccio parziale può generare fraintendimenti su quali difetti siano effettivamente presenti in un materiale. Inoltre, la dipendenza da analisi distruttive limita la possibilità di integrare questi controlli direttamente nei flussi di produzione su larga scala.
I risultati ottenuti dal gruppo del MIT mostrano invece come un modello di IA possa sfruttare misure non invasive per fornire un quadro più completo e quantitativo. Tuttavia, la tecnica basata sulle frequenze vibrazionali misurate con neutroni presenta difficoltà pratiche per una rapida adozione industriale.
Oltre lo scattering di neutroni: prospettive future
Come sottolinea Eunbi Rha, lo spettro vibrazionale è un concetto relativamente semplice, ma in alcuni setup sperimentali richiede strumentazioni complesse e non sempre facilmente accessibili in ambito industriale. Per questo, alcune soluzioni più semplici basate su altri approcci potrebbero essere adottate più rapidamente.
Inoltre, aziende interessate alla metodologia hanno già chiesto quando sarà possibile applicare il modello a tecniche più diffuse come la spettroscopia Raman, che misura lo scattering della luce e viene utilizzata in molti laboratori e linee di produzione.
Li spiega che il prossimo passo del gruppo sarà proprio l’addestramento di un modello analogo su dati provenienti dalla spettroscopia Raman. In prospettiva, l’obiettivo è estendere la capacità di analisi anche a caratteristiche strutturali più grandi dei difetti puntiformi, come i grani cristallini e le dislocazioni.
Un nuovo paradigma nell’analisi dei difetti
Per il momento, i ricercatori ritengono che lo studio dimostri il vantaggio intrinseco delle tecniche di IA nell’interpretazione dei dati sui difetti. A occhio umano, i segnali generati da diverse imperfezioni appaiono quasi identici; al contrario, il riconoscimento di pattern dell’intelligenza artificiale è in grado di cogliere variazioni minime.
Detto ciò, i difetti restano una sorta di arma a doppio taglio: in molti casi sono utili, ma se diventano eccessivi possono degradare le prestazioni complessive del materiale. Una caratterizzazione accurata permette quindi di bilanciare questi effetti opposti.
Nel complesso, questo lavoro apre un nuovo paradigma nella scienza dei difetti, integrando sperimentazione avanzata e algoritmi di machine learning per trasformare un problema annoso in una risorsa progettuale. La ricerca è stata sostenuta, tra gli altri, dal Department of Energy e dalla National Science Foundation.
