在生物学中，缺陷常被视为有害因素，但在材料科学领域，缺陷却能被有意调控，为材料赋予新特性。在钢铁、半导体和太阳能电池等产品制造中，人们会引入原子级缺陷以优化性能。然而，准确测量成品中不同类型缺陷及其浓度极具挑战，尤其在不切割或损坏材料的情况下。若不了解材料缺陷，工程师可能制造出性能不佳或特性非预期的产品。
如今，麻省理工学院研究人员利用非侵入式中子散射技术数据，构建人工智能模型，可对某些缺陷进行分类和量化。该模型基于2000种不同半导体材料训练，能同时检测材料中多达六种类型的点缺陷，传统技术难以实现。论文第一作者程牟阳称，现有技术无法在不破坏材料的情况下准确表征缺陷，检测六种不同缺陷对传统技术而言不可想象，此模型是目前唯一可行方法。
制造商虽擅长控制材料缺陷，但精确测量成品缺陷数量仍多靠猜测。博士后傅楚良表示，工程师引入缺陷方式多样，却难以回答创造了何种缺陷及浓度多少，还会遇到不希望出现的缺陷，这是长期存在的挑战。每种材料通常存在多种缺陷，而每种缺陷分析方法都有局限，如X射线衍射和正电子湮没等技术只能表征某些类型缺陷，拉曼光谱无法直接推断浓度，透射电子显微镜需切割样品。
此前，李及其合作者将机器学习应用于实验光谱数据以表征晶体材料，此次新论文则希望将其应用于缺陷分析。研究人员构建包含2000种半导体材料的计算数据库，制备成对样品，一对掺杂缺陷，一对无缺陷，利用中子散射技术测量原子振动频率并训练机器学习模型。该模型构建了涵盖元素周期表中56种元素的基础模型，利用多头注意力机制提取有缺陷和无缺陷材料数据差异，预测掺杂剂及浓度。
研究人员对模型进行微调并用实验数据验证，结果表明该模型可测量电子领域常用合金和另一种超导材料中的缺陷浓度。多次对材料掺杂引入多个点缺陷测试模型极限，发现其可同时预测多达六个缺陷，缺陷浓度低至0.2%。程牟阳称没想到效果如此好，解码六种不同类型缺陷混合信号极具挑战性。
通常情况下，制造商对产品进行侵入性测试速度慢，限制了缺陷检测能力。本科生研究员于博文表示，目前人们主要依靠估算材料缺陷数量，用单独技术验证估算结果费力且只能提供局部信息，易导致对材料缺陷产生误解。
研究结果虽令研究人员兴奋，但他们指出，利用中子测量振动频率的技术对公司快速部署到质量控制流程有难度。硕士生拉恩比称，此方法强大但应用范围有限，振动光谱概念简单，在部分装置中却复杂，拉曼光谱等更简单实验装置可更快应用。
李明达教授表示，已有企业对该方法感兴趣并询问与拉曼光谱技术结合使用的时间，下一步计划基于拉曼光谱数据训练类似模型，并扩展到检测大于点缺陷的特征。目前，研究人员认为该研究表明了人工智能技术在解释缺陷数据方面的优势，为缺陷科学开辟了新范式。
这项研究的部分经费来自美国能源部和国家科学基金会。
