Pesquisadores do MIT usam IA para descobrir defeitos atômicos em materiais

Na biologia, os defeitos são geralmente ruins. Mas na ciência dos materiais, os defeitos podem ser intencionalmente ajustados para dar aos materiais novas propriedades úteis. Hoje, defeitos em escala atômica são cuidadosamente introduzidos durante o processo de fabricação de produtos como aços, semicondutores e células solares para ajudar a melhorar a resistência, controlar a condutividade elétrica, otimizar o desempenho e muito mais.

Mas, mesmo com os defeitos se tornando uma ferramenta poderosa, medir com precisão diferentes tipos de defeitos e suas concentrações em produtos acabados tem sido desafiador, especialmente sem cortar ou danificar o material final. Sem saber quais defeitos estão em seus materiais, os engenheiros correm o risco de fabricar produtos com baixo desempenho ou com propriedades indesejadas.

Agora, pesquisadores do MIT construíram um modelo de IA capaz de classificar e quantificar certos defeitos usando dados de uma técnica não invasiva de difração de nêutrons. O modelo, que foi treinado em 2.000 materiais semicondutores diferentes, pode detectar até seis tipos de defeitos pontuais em um material simultaneamente, algo que seria impossível usando apenas técnicas convencionais.

“As técnicas existentes não conseguem caracterizar com precisão os defeitos de forma universal e quantitativa sem destruir o material”, diz o autor principal Mouyang Cheng, doutorando no Departamento de Ciência e Engenharia de Materiais. “Para técnicas convencionais sem machine learning, detectar seis defeitos diferentes é impensável. É algo que você não consegue fazer de outra forma.”

Os pesquisadores dizem que o modelo é um passo para aproveitar os defeitos com mais precisão em produtos como semicondutores, microeletrônicos, células solares e materiais para baterias.

“No momento, detectar defeitos é como o ditado sobre ver um elefante: cada técnica só consegue ver uma parte dele”, diz o autor sênior e professor associado de ciência e engenharia nuclear Mingda Li. “Alguns veem o nariz, outros a tromba ou as orelhas. Mas é extremamente difícil ver o elefante completo. Precisamos de melhores maneiras de obter uma imagem completa dos defeitos, porque precisamos entendê-los para tornar os materiais mais úteis.”

Junto com Cheng e Li no artigo estão o pós-doutorando Chu-Liang Fu, o pesquisador de graduação Bowen Yu, a estudante de mestrado Eunbi Rha, o doutorando Abhijatmedhi Chotrattanapituk ’21, e os membros da equipe do Oak Ridge National Laboratory Douglas L Abernathy PhD ’93 e Yongqiang Cheng. O <a href=\"https: