¿Puede la detección de defectos con IA mapear seis defectos atómicos en semiconductores de manera no invasiva?

Los investigadores del MIT han desarrollado un nuevo enfoque que utiliza la detección de defectos con IA para identificar pequeñas imperfecciones en materiales sin cortar ni dañar las muestras.

El modelo de IA se dirige a defectos a escala atómica

En ciencia de materiales, las imperfecciones microscópicas pueden ser un activo en lugar de un pasivo, ya que los defectos diseñados deliberadamente a menudo mejoran la resistencia mecánica, la transferencia de calor o la eficiencia de conversión de energía. Sin embargo, mapear con precisión estos defectos en productos terminados ha sido durante mucho tiempo un desafío para los ingenieros.

Para abordar este problema, un equipo del MIT ha construido un modelo de IA que clasifica y cuantifica defectos a escala atómica usando datos de una técnica no invasiva de dispersión de neutrones. El sistema, entrenado con 2,000 materiales semiconductores diferentes, puede detectar simultáneamente hasta seis tipos de defectos puntuales, algo que los enfoques convencionales no pueden lograr.

“Las técnicas existentes no pueden caracterizar los defectos de manera universal y cuantitativa sin destruir el material”, explica Mouyang Cheng, candidato a doctorado en el Departamento de Ciencia e Ingeniería de Materiales. Además, señala que sin aprendizaje automático, resolver seis tipos distintos de defectos en un solo análisis “es inconcebible”.

Los investigadores sostienen que esta capacidad marca un paso hacia un control mucho más fino de los defectos en productos como semiconductores, microelectrónica, celdas solares y materiales avanzados para baterías. Dicho esto, subrayan que aún se necesitan métodos complementarios para ver el “elefante completo” de paisajes de defectos complejos.

Limitaciones del análisis convencional de defectos

Los fabricantes se han vuelto expertos en introducir deliberadamente defectos mediante técnicas como el dopaje, pero cuantificar las concentraciones de defectos sigue siendo en gran medida una tarea de estimación. “Los ingenieros tienen muchas formas de introducir defectos, como mediante dopaje, pero aún luchan con preguntas básicas como qué tipo de defecto han creado y en qué concentración”, dice el postdoctorado Chu-Liang Fu.

Los defectos no deseados, como la oxidación o las impurezas introducidas durante la síntesis, complican aún más el panorama. Sin embargo, cada método establecido para sondear defectos tiene límites estrictos. La difracción de rayos X y la aniquilación de positrones solo pueden caracterizar tipos específicos de defectos, mientras que la espectroscopía Raman puede revelar categorías de defectos, pero no su concentración directamente.

Otra herramienta ampliamente usada, el microscopio electrónico de transmisión, requiere cortar cortes ultrafinos de una muestra para realizar la imagen. Eso lo vuelve invasivo y no adecuado para el control de calidad de alta capacidad en piezas terminadas. En consecuencia, muchos materiales albergan múltiples poblaciones de defectos, mal cuantificadas, que pueden degradar el rendimiento de maneras que los fabricantes no comprenden del todo.

Entrenar el modelo con datos de neutrones

En trabajos anteriores, el investigador principal Mingda Li y sus colaboradores mostraron que el aprendizaje automático aplicado a datos de espectroscopía podía clasificar materiales cristalinos. En este estudio, el equipo amplió esa estrategia para enfocarse específicamente en los defectos y sus concentraciones.

El grupo construyó una base de datos computacional de 2,000 materiales semiconductores y luego generó pares de muestra para cada uno: uno prístino y otro dopado para introducir defectos específicos. Usando la misma técnica de dispersión de neutrones para cada par, midieron las frecuencias vibracionales de los átomos dentro de los materiales sólidos y compilaron un conjunto de datos amplio.

“Eso construyó un modelo base que cubre 56 elementos de la tabla periódica”, dice Cheng. La red utiliza un mecanismo de atención de múltiples cabezas, la misma arquitectura que subyace a herramientas como ChatGPT. Además, aprende a extraer diferencias sutiles en los espectros vibracionales entre muestras sin defectos y muestras dopadas, y luego predice qué dopantes están presentes y en qué concentraciones.

Después de ajustar finamente el sistema y validarlo con mediciones experimentales, los investigadores mostraron que el modelo podía estimar con precisión las concentraciones de defectos en una aleación ampliamente usada en electrónica, así como en un material superconductor distinto. Esto demostró que el enfoque no está limitado a un solo compuesto.

Cuantificar múltiples defectos puntuales a la vez

Para sondear los límites de su marco, los científicos doparon ciertos materiales varias veces para introducir simultáneamente varios tipos de defectos puntuales. Luego le pidieron al modelo recuperar tanto los tipos como las cantidades relativas de esos defectos a partir únicamente de los datos de vibración de neutrones.

La IA demostró ser capaz de predecir hasta seis defectos puntuales diferentes dentro de un solo material, y también podía resolver concentraciones de defectos tan bajas como 0.2 por ciento. Sin embargo, este nivel de rendimiento sorprendió incluso al equipo. “Es muy desafiante descifrar las señales mezcladas de dos tipos distintos de defectos — y ni hablar de seis”, señala Cheng.

Según los investigadores, este experimento en un punto intermedio destaca cómo la detección de defectos con IA puede distinguir patrones espectrales superpuestos que parecerían casi idénticos para analistas humanos. Además, los resultados apuntan a una ruta más sistemática hacia lo que ellos llaman la ingeniería de materiales “con conciencia de defectos”.

Del método de laboratorio a una herramienta industrial

En la fabricación actual de semiconductores y microelectrónica, las empresas típicamente solo prueban un subconjunto pequeño de productos terminados usando caracterización invasiva. Este flujo de trabajo ralentiza la retroalimentación y dificulta detectar cada defecto problemático, especialmente cuando varios tipos coexisten de maneras complejas.

“Ahora mismo, la gente en gran medida estima las cantidades de defectos en sus materiales”, dice el investigador universitario Bowen Yu. Comprobar esas estimaciones requiere múltiples técnicas especializadas, cada una de las cuales explora solo una pequeña región o un solo grano de la muestra. Como resultado, Yu añade, los fabricantes pueden interpretar fácilmente mal qué defectos están realmente presentes y en qué cantidades.

El enfoque del equipo del MIT, basado en neutrones y espectros vibracionales, ofrece una imagen más completa, pero aún no es práctico para la mayoría de las fábricas. “Este método es muy poderoso, pero su disponibilidad es limitada”, señala la estudiante de maestría Eunbi Rha. Además, ella explica que, aunque los espectros vibracionales son conceptualmente simples, los montajes experimentales para mediciones con neutrones pueden ser complejos y a gran escala.

Debido a eso, Li y sus colegas están explorando vías más accesibles. Las empresas ya usan herramientas basadas en Raman extensamente para la detección de defectos en semiconductores, y varios socios industriales han preguntado cuándo un modelo similar impulsado por IA podría funcionar con datos de Raman en lugar de neutrones.

Hacia un mapeo de defectos más amplio y no invasivo

En respuesta a esta demanda, los investigadores planean desarrollar un modelo de espectroscopía Raman que replique su sistema basado en neutrones, pero que dependa de la dispersión de la luz en lugar de neutrones. En paralelo, buscan ampliar su marco más allá de los defectos puntuales para capturar características estructurales más grandes como granos y dislocaciones, que también influyen en el desempeño del material.

Para Yongqiang Cheng y Douglas L Abernathy PhD ’93 del Oak Ridge National Laboratory, quienes coautoraron el artículo, el trabajo subraya cómo combinar herramientas espectroscópicas avanzadas con inteligencia artificial puede desbloquear nuevas visiones de la materia. Sin embargo, recalcan que la validación experimental seguirá siendo esencial a medida que los modelos se expandan.

En última instancia, el equipo ve su estudio como una prueba de concepto para desplegar la detección de defectos impulsada por IA en una variedad de plataformas de medición. A simple vista humana, dice Li, las señales de defectos en espectros vibracionales a menudo se ven casi idénticas. Sin embargo, el reconocimiento de patrones por IA puede desentrañar variaciones sutiles e inferir el verdadero panorama de defectos con precisión cuantitativa.

“Los defectos son esta espada de doble filo”, observa Li. “Hay muchos defectos buenos, pero si hay demasiados, el rendimiento puede degradarse. Esto abre un nuevo paradigma en la ciencia de defectos.” La investigación, publicada en la revista Matter, recibió apoyo del Departamento de Energía y de la National Science Foundation, y se basa en trabajos que datan de 2021.

En resumen, el equipo del MIT ha demostrado que la IA, combinada con datos vibracionales de dispersión de neutrones, puede mapear múltiples defectos atómicos a la vez, ofreciendo una ruta no invasiva y potente hacia materiales más precisamente diseñados.