Gli ingegneri del MIT hanno creato un modello di intelligenza artificiale che può classificare e quantificare determinati difetti utilizzando i dati di una tecnica non invasiva di diffusione di neutroni.
I ricercatori del MIT hanno creato un modello di AI in grado di classificare e quantificare determinati difetti utilizzando i dati di una tecnica non invasiva di diffusione di neutroni. Il modello, addestrato su 2.000 diversi materiali semiconduttori, può rilevare simultaneamente fino a sei tipi di difetti puntiformi in un materiale, un risultato impossibile da ottenere con le tecniche convenzionali. Secondo gli ingegneri del MIT, il modello rappresenta un passo avanti verso uno sfruttamento più preciso dei difetti in prodotti come semiconduttori, microelettronica, celle solari e materiali per batterie.
Nella scienza dei materiali, i difetti possono essere intenzionalmente controllati per conferire ai materiali nuove proprietà utili. Oggi infatti difetti a livello atomico vengono introdotti con cura durante il processo di produzione di prodotti come acciaio, semiconduttori e celle solari per contribuire a migliorarne la resistenza, controllare la conduttività elettrica, ottimizzare le prestazioni e altro ancora. Sebbene i difetti siano diventati uno strumento potente, misurare con precisione i diversi tipi di difetti e le loro concentrazioni nei prodotti finiti è sempre difficile, soprattutto senza tagliare o danneggiare il materiale finale, ma conoscere i difetti presenti nei materiali, aiuta gli ingegneri a realizzare prodotti con le prestazoni e le qualità richieste: “Le tecniche esistenti non sono in grado di caratterizzare accuratamente i difetti in modo universale e quantitativo senza distruggere il materiale”, afferma l’autore principale Mouyang Cheng, dottorando presso il Dipartimento di Scienza e Ingegneria dei Materiali.
Rilevamento dei difetti
I produttori sono diventati bravi a modulare i difetti nei loro materiali, ma misurare con precisione la quantità di difetti nei prodotti finiti è ancora in gran parte un’incognita. Spesso in ogni materiale sono presenti molteplici difetti. In alcuni precedenti lavori, gli scienziati del MIT hanno applicato l’apprendimento automatico ai dati di spettroscopia sperimentale per caratterizzare i materiali cristallini e in questo lavoro hanno voluto applicare questa tecnica ai difetti.
Per l’esperimento, i ricercatori del MIT hanno creato un database computazionale di 2.000 materiali semiconduttori. Hanno preparato coppie di campioni per ciascun materiale, uno dopato per introdurre difetti e uno lasciato senza difetti, quindi hanno utilizzato una tecnica di diffusione di neutroni che misura le diverse frequenze vibrazionali degli atomi nei materiali solidi. Hanno addestrato un modello di apprendimento automatico sui risultati: “Questo ha permesso di costruire un modello di base che copre 56 elementi della tavola periodica. Il modello sfrutta il meccanismo di attenzione multi-testa, proprio come quello utilizzato da ChatGPT. Allo stesso modo, estrae la differenza nei dati tra materiali con e senza difetti e fornisce una previsione su quali droganti sono stati utilizzati e in quali concentrazioni” afferma Cheng.
I ricercatori hanno perfezionato il loro modello, lo hanno verificato su dati sperimentali e hanno dimostrato che può misurare le concentrazioni di difetti in una lega comunemente usata nell’elettronica e in un altro materiale superconduttore. Hanno anche dopato i materiali più volte per introdurre difetti puntiformi multipli e testare i limiti del modello, scoprendo infine che può fare previsioni su un massimo di sei difetti nei materiali simultaneamente, con concentrazioni di difetti basse fino allo 0,2%.
Foto: MIT News; iStock
