详细内容或原文请订阅后点击阅览
材料缺陷识别模型
作者：Zach Winn 在生物学中，缺陷通常都是不好的。但在材料科学中，可以有意地调整缺陷，从而赋予材料有用的新特性。如今，在钢铁、半导体和太阳能电池等产品的制造过程中小心地引入原子级缺陷，以帮助提高强度、控制导电性、优化性能等。但即使 [...]
来源:ΑΙhub作者：扎克·温
在生物学中，缺陷通常是不好的。但在材料科学中，可以有意地调整缺陷，从而赋予材料有用的新特性。如今，在钢铁、半导体和太阳能电池等产品的制造过程中小心地引入原子级缺陷，以帮助提高强度、控制导电性、优化性能等。
但即使缺陷已成为一种强大的工具，准确测量不同类型的缺陷及其在成品中的浓度仍然具有挑战性，特别是在不切开或损坏最终材料的情况下。在不知道材料存在哪些缺陷的情况下，工程师可能会制造出性能不佳或具有意外特性的产品。
现在，麻省理工学院的研究人员建立了一个人工智能模型，能够使用非侵入性中子散射技术的数据对某些缺陷进行分类和量化。该模型在 2000 种不同的半导体材料上进行了训练，可以同时检测材料中多达六种点缺陷，这是单独使用传统技术不可能实现的。
“现有技术无法在不破坏材料的情况下以通用和定量的方式准确表征缺陷，”材料科学与工程系博士生、主要作者牟阳成说。 “对于没有机器学习的传统技术来说，检测六种不同的缺陷是不可想象的。这是你无法通过其他方式做到的事情。”
研究人员表示，该模型是朝着更精确地利用半导体、微电子、太阳能电池和电池材料等产品中的缺陷迈出的一步。
与 Cheng 和 Li 共同撰写该论文的还有博士后 Chu-Liang Fu、本科生研究员 Bowen Yu、硕士生 Eunbi Rha、博士生 Abhijatmedhi Chotrattanapituk 以及橡树岭国家实验室工作人员 Douglas L Abernathy 和 Yongqiang Cheng。该论文发表在《Matter》杂志上。