מחקר MIT: מודל AI מאתר פגמים אטומיים בחומרים ללא הרס
לפי דיווח ב‑MIT News, חוקרים פיתחו מודל בינה מלאכותית שמזהה ומכמת עד שישה סוגי פגמים נקודתיים בחומרים באמצעות ספקטרום תנודות מנייטרונים, בריכוזים נמוכים במיוחד, בלי לחתוך או להרוס את הדגימה.
חוקרי MIT מציגים גישה חדשה לבעיה ותיקה בתעשיית החומרים: איך לדעת אילו פגמים אטומיים “מסתתרים” בתוך חומר מוגמר, ובאיזו כמות, בלי לפרק, לחתוך או להרוס את המוצר. בעולם שבו פגמים אינם בהכרח כשל אלא לעיתים כלי תכנוני, היכולת למדוד אותם בצורה אמינה הופכת לגורם שמכריע חוזק מכני, הולכת חום, מוליכות חשמלית ויעילות המרה אנרגטית.
למה “פגמים” יכולים להיות נכס
בביולוגיה פגם נתפס בדרך כלל כמשהו שלילי, אולם במדעי החומרים פגמים נקודתיים ברמת האטום, למשל אטומים זרים (דופינג) או חסרים ברשת הגבישית, משמשים כדי לכוונן תכונות. כך מייצרים פלדה חזקה יותר, מוליכים למחצה עם מוליכות נשלטת, ותאי שמש וחומרי סוללה יעילים יותר. הבעיה היא שבסיום הייצור, במיוחד במוצרים מתקדמים, לעיתים קשה לדעת אם נוצרו הפגמים הרצויים בלבד או גם פגמים “לא מתוכננים” כמו חמצון או זיהומים, ומהו הריכוז המדויק שלהם.
רוצה להישאר מעודכן ב-AI?
הירשם לדיוור השבועי שלנו וקבל עדכונים, המלצות על כלים, חדשות ודוחות מיוחדים
כפי שמסביר המחבר הראשי מואויאנג צ’נג (Mouyang Cheng), דוקטורנט במחלקה למדעים והנדסת חומרים, שיטות קיימות מתקשות לבצע אפיון אוניברסלי וכמותי של פגמים בלי לפגוע בדגימה. שיטות קיימות כמו פיזור קרני X או אניהילציה של פוזיטרונים מזהים רק סוגי פגמים מסוימים; ספקטרוסקופיית ראמן יכולה להצביע על סוג הפגם אך לא להסיק ישירות על הריכוז; ומיקרוסקופ אלקטרונים חודר (TEM) מחייב הכנת פרוסות דקות, כלומר בדיקה פולשנית.
“לראות את כל הפיל”: AI על גבי פיזור נייטרונים
הפתרון של צוות המחקר, בהובלת פרופ’ מינגדה לי, הוא מודל למידת מכונה שמפרש נתוני ספקטרום תנודות אטומיות שנמדדים בטכניקת פיזור נייטרונים לא פולשנית. לי מדמה את מצב האפיון כיום למשל על פיל: כל שיטה רואה רק “חלק” אחר, ולכן קשה להבין את התמונה המלאה של הפגמים.
החוקרים בנו מאגר חישובי של כ‑2,000 חומרים מוליכים למחצה. לכל חומר יצרו זוג דגימות מדומות: אחת ללא פגמים ואחת עם דופינג שמכניס פגמים. לאחר מכן הם אימנו מודל AI על ההבדלים בספקטרום התנודות. צ’נג מציין כי המודל נשען על מנגנון Multihead Attention, בדומה למשפחת המודלים העומדים בבסיס מערכות כמו ChatGPT, כדי לחלץ דפוסים עדינים שעין אנושית הייתה מתקשה להבחין בהם.
תוצאות: עד שישה פגמים בו זמנית ובריכוז נמוך
לפי הדיווח, לאחר כיוונון ואימות מול נתונים ניסויים, המודל הצליח למדוד ריכוזי פגמים בסגסוגת נפוצה באלקטרוניקה וכן בחומר מוליך-על, והדגים יכולת חריגה: זיהוי וכימות של עד שישה סוגי פגמים נקודתיים בו זמנית, בריכוזים נמוכים עד כ‑0.2%. צ’נג מדגיש שהאתגר אינו רק לזהות פגם יחיד, אלא “לפענח” אותות מעורבים שמקורם במספר פגמים שונים.
מה זה אומר לתעשייה, ומה הצעד הבא
בקו ייצור של שבבים, תאים פוטו-וולטאיים או חומרים לסוללות, בדיקות פולשניות נעשות לרוב רק על מדגם קטן, מה שמסכן החמצה של בעיות סדרתיות. כאן נפתח פוטנציאל לטכנולוגיות בקרה איכותיות יותר, שבהן אפיון פגמים הופך מדויק ושיטתי, ולא הערכה שמתחזקת באמצעות בדיקות נקודתיות.
עם זאת, החוקרים מציינים שהסתמכות על פיזור נייטרונים אינה בהכרח זמינה לכל מפעל. לכן אחת המטרות הבאות היא לאמן מודל דומה על נתוני ראמן, שיטה נפוצה ונגישה יותר בתעשייה. בנוסף, לי מציין הרחבה עתידית לאפיון מאפיינים גדולים יותר מפגמים נקודתיים, כגון גרעינים (Grains) ודיסלוקציות, כדי להתקרב לאפיון “שלם” של חומר כפי שהוא באמת.
המאמר “A foundation model for non-destructive defect identification from vibrational spectra” פורסם בכתב העת Matter, והמחקר נתמך בין היתר על ידי משרד האנרגיה האמריקאי (DoE) ו‑NSF.