Biyolojide, kusurlar genellikle kötü olarak kabul edilir. Ancak malzeme bilimi alanında, kusurlar kasıtlı olarak ayarlanarak malzemelere faydalı yeni özellikler kazandırılabilir. Bugün, çelik, yarı iletkenler ve güneş pilleri gibi ürünlerin üretim sürecinde atomik ölçekli kusurlar dikkatlice tanıtılmakta; bu sayede dayanıklılık artırılmakta, elektrik iletkenliği kontrol edilmekte, performans optimize edilmekte ve daha fazlası sağlanmaktadır.
Ancak kusurlar güçlü bir araç haline gelse de, bitmiş ürünlerde farklı türdeki kusurların ve bunların konsantrasyonlarının doğru bir şekilde ölçülmesi zorlu bir görev olmuştur, özellikle de nihai malzemeyi kesip açmadan veya zarar vermeden. Mühendisler, malzemelerindeki kusurların ne olduğunu bilmeden, kötü performans gösteren veya istenmeyen özelliklere sahip ürünler üretme riski taşımaktadır.
Şimdi, MIT araştırmacıları, invazif olmayan nötron saçılma tekniğinden elde edilen verileri kullanarak belirli kusurları sınıflandırma ve nicelendirme yeteneğine sahip bir yapay zeka modeli geliştirdi. 2.000 farklı yarı iletken malzeme üzerinde eğitilen model, bir malzemedeki altı farklı nokta kusurunu aynı anda tespit edebiliyor; bu, yalnızca geleneksel teknikler kullanılarak mümkün olamazdı.
“Mevcut teknikler, malzemeyi yok etmeden kusurları evrensel ve niceliksel bir şekilde doğru bir şekilde tanımlayamıyor,” diyor baş yazar Mouyang Cheng, Malzeme Bilimi ve Mühendisliği Bölümü'nde doktora adayı. “Makine öğrenimi olmadan geleneksel tekniklerle altı farklı kusuru tespit etmek imkansız. Bunu başka bir şekilde yapamazsınız.”
Araştırmacılar, modelin yarı iletkenler, mikroelektronikler, güneş pilleri ve batarya malzemeleri gibi ürünlerde kusurları daha hassas bir şekilde kullanma yönünde bir adım olduğunu belirtiyorlar.
“Şu anda, kusurları tespit etmek, bir fili görmekle ilgili deyim gibi: Her teknik sadece onun bir kısmını görebiliyor,” diyor kıdemli yazar ve nükleer bilim ve mühendislik doçenti Mingda Li. “Bazıları burnunu, diğerleri hortumunu veya kulaklarını görüyor. Ancak tam fili görmek son derece zor. Kusurların tam resmini elde etmenin daha iyi yollarına ihtiyacımız var, çünkü onları anlamamız gerekiyor ki malzemeleri daha faydalı hale getirebilelim.”
Cheng ve Li’nin makalesinde, doktora sonrası araştırmacı Chu-Liang Fu, lisans araştırmacısı Bowen Yu, yüksek lisans öğrencisi Eunbi Rha, doktora öğrencisi Abhijatmedhi Chotrattanapituk ’21 ve Oak Ridge Ulusal Laboratuvarı’ndan Douglas L Abernathy PhD ’93 ve Yongqiang Cheng yer alıyor. Makale, bugün Matter dergisinde yayımlandı.
Kusurları Tespit Etmek
Üreticiler, malzemelerindeki kusurları ayarlamada iyi hale geldi, ancak bitmiş ürünlerdeki kusurların kesin miktarlarını ölçmek hala büyük ölçüde bir tahmin oyunudur.
“Mühendislerin kusur eklemek için birçok yolu var, örneğin doping yoluyla, ancak yine de yarattıkları kusurun türü ve konsantrasyonu gibi temel sorularla mücadele ediyorlar,” diyor Fu. “Bazen istenmeyen kusurları da olabiliyor, örneğin oksidasyon. Sentez sırasında istenmeyen bazı kusurlar veya safsızlıklar ekleyip eklemediklerini her zaman bilemiyorlar. Bu uzun süredir devam eden bir zorluk.”
Sonuç olarak, her malzemede genellikle birden fazla kusur bulunmaktadır. Ne yazık ki, kusurları anlamak için her yöntemin sınırlamaları vardır. X-ışını kırınımı ve pozitron yok etme gibi teknikler yalnızca bazı kusur türlerini tanımlar. Raman spektroskopisi, kusur türünü ayırt edebilir ancak konsantrasyonu doğrudan çıkaramaz. İletim elektron mikroskobu olarak bilinen başka bir teknik, insanların örneklerden ince dilimler kesmesini gerektirir.
Önceki birkaç çalışmada, Li ve işbirlikçileri deneysel spektroskopi verilerine makine öğrenimi uygulayarak kristal malzemeleri karakterize ettiler. Yeni makaleleri için, bu tekniği kusurlara uygulamak istediler.
Deneyleri için, araştırmacılar 2.000 yarı iletken malzemenin hesaplamalı bir veritabanını oluşturdu. Her malzemeden bir kusur eklenmiş ve bir kusur eklenmemiş örnek çiftleri oluşturdular, ardından katı malzemelerde
