Koniec zgadywania w nanoskali: AI z MIT widzi ukryte wady materiałów

W inżynierii materiałowej doskonałość bywa nudna. Prawdziwa magia dzieje się tam, gdzie struktura krystaliczna pęka, a defekty atomowe zmieniają zwykły krzem w wydajny procesor lub ogniwo słoneczne. Problem w tym, że do tej pory projektowanie tych anomalii przypominało operację na otwartym sercu wykonywaną w grubych rękawicach bokserskich.

Naukowcy z MIT właśnie zdjęli te rękawice, prezentując model AI, który potrafi zajrzeć do wnętrza materiału i policzyć jego błędy z precyzją, o której tradycyjna spektroskopia mogła tylko marzyć.

Cyfrowy wzrok wewnątrz sieci krystalicznej

Problem z defektami jest dwojaki: są niezbędne, by nadać materiałom pożądane właściwości elektryczne czy termiczne, ale ich nadmiar lub niewłaściwy rodzaj zamienia innowacyjny prototyp w elektrośmieć. Dotychczasowe metody diagnostyczne, jak transmisyjna mikroskopia elektronowa, wymagały mechanicznego cięcia próbek na plasterki. To proces powolny, destrukcyjny i – co najgorsze – dający jedynie wyrywkowy obraz rzeczywistości.

System opracowany przez zespół pod kierunkiem Mouyanga Chenga zmienia reguły gry. Wykorzystując dane z nieinwazyjnego rozpraszania neutronów, model AI potrafi zidentyfikować do sześciu różnych typów defektów punktowych jednocześnie. To przełom, ponieważ sygnały pochodzące od różnych zanieczyszczeń wibracyjnych są dla ludzkiego oka (i tradycyjnych algorytmów) praktycznie nierozróżnialne.

Architektura ChatGPT w służbie metalurgii

Co łączy generowanie tekstu z analizą kryształów? Okazuje się, że całkiem sporo. Badacze wykorzystali mechanizm multi-head attention, czyli dokładnie ten sam fundament, na którym opiera się ChatGPT.

• Model wytrenowano na bazie 2000 materiałów półprzewodnikowych.
• Obejmuje on 56 pierwiastków układu okresowego.
• Wykrywa stężenia defektów na poziomie zaledwie 0,2 procenta.
• Działa całkowicie bezinwazyjnie, analizując widma wibracyjne atomów.

To nie jest tylko kolejna iteracja znanego narzędzia. To zmiana paradygmatu.

Sceptycyzm laboratoryjny: Gdzie jest haczyk?

Mimo entuzjazmu badaczy, droga z laboratorium MIT na linie produkcyjne Intela czy Samsunga nie będzie krótka. Główną barierą jest samo źródło danych. Technika rozpraszania neutronów, choć potężna, jest ekstremalnie kosztowna i wymaga dostępu do wyspecjalizowanych placówek badawczych, co dla większości komercyjnych producentów jest barierą nie do przejścia.

Naukowcy są tego świadomi. Następnym krokiem ma być dostosowanie modelu do spektroskopii ramanowskiej – znacznie tańszej i powszechniejszej metody opartej na rozpraszaniu światła laserowego. Jeśli to się uda, otrzymamy standardowe narzędzie kontroli jakości, które wyeliminuje „zgadywanie” z procesu produkcji elektroniki.

AI nie tylko projektuje nowe materiały. Ono zaczyna rozumieć ich niedoskonałości lepiej niż my sami.