在生物学中，“缺陷”往往意味着问题或疾病；但在材料科学里，缺陷却可以被精心设计，用来赋予材料全新的有益特性。如今，从钢铁到半导体，再到太阳能电池，原子尺度的缺陷被有意识地引入，以增强强度、调控电导率、优化整体性能等。然而，要在不破坏材料的前提下，准确测量成品中各种缺陷类型及其浓度，依然是一项棘手的任务。

如果工程师对材料内部的缺陷情况缺乏清晰认识，就可能制造出性能不稳定或出现意外行为的产品。针对这一难题，麻省理工学院的研究人员构建了一个人工智能模型，能够基于无创中子散射实验获得的数据，对特定类型的缺陷进行识别和定量分析。该模型在约 2000 种不同半导体材料的数据上完成训练，最多可以同时检测材料中多达六种点缺陷，而这在传统技术条件下几乎无法实现。

相关成果已发表在期刊《Matter》上。

材料科学与工程系博士生、论文第一作者程谋阳表示：“现有技术很难在不破坏材料的情况下，以通用且定量的方式准确表征缺陷。对于没有引入机器学习的传统方法来说，能够检测六种不同缺陷几乎是不可想象的，这是其他手段做不到的。”

研究团队认为，这一模型为更精确地利用缺陷来设计和制造半导体、微电子器件、太阳能电池以及电池材料等，迈出了关键一步。

核科学与工程系副教授、论文通讯作者李明达打了一个比喻：“现在的缺陷检测有点像‘盲人摸象’：每种技术只能看到大象的一部分，比如鼻子、象牙或耳朵，很难获得整体图景。我们需要更全面的手段来理解缺陷，只有真正弄清楚它们，才能让材料发挥更大的价值。”

论文合作者还包括博士后傅楚良、本科生余博文、硕士生罗恩比、博士生阿比贾特梅迪·乔特拉塔纳皮图克，以及来自橡树岭国家实验室的道格拉斯·L·阿伯纳西和程永强。

缺陷检测的难题

工业界在“如何制造缺陷”方面已经相当成熟，但在“如何精确量化成品中的缺陷”上，仍然在很大程度上依赖经验和推测。

“工程师可以通过掺杂等方式有针对性地引入缺陷，但他们往往很难回答一些最基本的问题，比如：到底生成了哪种缺陷？浓度有多高？”傅楚良指出，“有时还会出现不希望出现的缺陷，比如氧化。研究人员并不总能确定，在合成过程中是否无意间引入了这些不受欢迎的缺陷或杂质。这一直是个长期存在的难题。”

现实中，一种材料往往同时包含多种缺陷。遗憾的是，每种传统表征手段都有明显局限。比如，X 射线衍射和正电子湮灭技术只能覆盖部分缺陷类型；拉曼光谱可以区分缺陷种类，但难以直接给出缺陷浓度；透射电子显微镜则需要将样品切成极薄片进行观察，属于破坏性测试。

在此前的研究中，李明达团队已经尝试将机器学习方法应用于实验光谱数据，用于表征晶体材料的性质。这一次，他们希望将类似思路扩展到缺陷检测领域。

在这项工作中，研究人员首先构建了一个包含约 2000 种半导体材料的计算数据库。对每种材料，他们分别生成两类样品：一类通过掺杂方式引入缺陷，另一类保持理想无缺陷状态。随后，他们利用中子散射技术测量这些固体材料中原子的振动频率分布，并用这些数据来训练机器学习模型。

“我们由此建立了一个覆盖元素周期表中 56 种元素的基础模型。”程谋阳介绍，“模型采用了多头注意力机制，这与 ChatGPT 等模型使用的机制类似。它会自动提取有缺陷样品与无缺陷样品在光谱上的差异，并据此预测所使用的掺杂元素以及对应的浓度。”

在完成基础训练后，研究人员对模型进行了微调，并用真实实验数据进行了验证。结果表明，该模型可以准确测量电子产品中常见合金材料以及另一种超导材料中的缺陷浓度。

为了测试模型的极限，他们还通过多次掺杂在同一材料中引入多种点缺陷。实验显示，模型最多可以同时识别出多达六种不同的缺陷类型，并将缺陷浓度分辨到约 0.2%。

“我们对模型的表现感到非常惊讶。”程谋阳说，“仅仅分辨两种不同缺陷叠加后的信号就已经非常困难，更不用说同时处理六种缺陷了。”

模型的应用路径

在当前的工业实践中，半导体等制造企业通常只会对少量出厂产品进行侵入式检测。这种方式不仅耗时，而且难以全面覆盖所有潜在缺陷。

“现在大家对材料中缺陷数量的认识，很多时候还是基于估算。”余博文指出，“要用多种技术逐一去验证这些估计值，是一件非常费力的事情，而且每种技术往往只能给出某个局部晶粒的局部信息。这就容易导致对材料整体缺陷情况的误判。”

研究人员对当前取得的结果十分看好，但也坦言，利用中子散射测量振动频率的实验装置复杂，短期内难以直接嵌入企业的日常质量控制流程。

“这种方法本身非常有威力，但在可用性上确实存在限制。”罗恩比表示，“振动光谱的概念并不复杂，但在某些实验平台上实现起来并不容易。相比之下，基于其他手段的实验装置，比如拉曼光谱系统，可能更容易被快速部署和采用。”

据李明达介绍，已经有企业对这项方法表现出兴趣，并询问何时能与目前广泛使用的拉曼光谱技术结合。研究团队的下一步计划，是基于拉曼光谱数据训练类似的人工智能模型，并进一步将方法扩展到比点缺陷更大尺度的结构特征，例如晶粒结构和位错等。

不过，就目前而言，研究人员认为，这项工作已经充分展示了人工智能在解析缺陷相关数据方面的天然优势。

“在人眼看来，这些缺陷信号几乎没有差别。”李明达说，“但人工智能的模式识别能力足以从中分辨出不同类型的信号，并还原材料内部的真实情况。缺陷本身是一把双刃剑，很多缺陷是有益的，但一旦过量就会损害性能。这项研究为缺陷科学打开了一种新的研究范式。”

本文经 MIT 新闻网站（web.mit.edu/newsoffice/）授权转载，该网站专注报道 MIT 的研究、创新与教学相关资讯。