人工智慧缺陷檢測能否非侵入性地繪製半導體中六種原子缺陷的分佈圖？

麻省理工學院（MIT）的研究人員開發出一種新方法，利用 AI 缺陷偵測技術，在不切割或損壞樣品的情況下，辨識材料中的微小瑕疵。

AI 模型聚焦原子尺度缺陷

在材料科學中，微觀缺陷有時可能是資產而非負擔，因為刻意設計的缺陷往往能提升機械強度、熱傳遞，或能量轉換效率。然而，對已完成產品中的這些缺陷進行精準繪圖，長久以來一直讓工程師感到困難。

為解決這個問題，MIT 的團隊建立了一個 AI 模型，能使用一種非侵入性的中子散射技術所產生的數據，對原子尺度缺陷進行分類與量化。該系統經過 2,000 種不同半導體材料的訓練，能同時偵測最多六種類型的點缺陷，而傳統方法無法達成。

“既有技術無法在不破壞材料的前提下，以普遍的、可量化的方式準確描述缺陷，”麻省理工學院材料科學與工程系的博士候選人 Mouyang Cheng 解釋道。此外，他也指出，若沒有機器學習，要在一次分析中解析六種不同的缺陷類型“是不可能想像的”。

研究人員認為，這項能力代表朝向更精細地控制產品（例如半導體、微電子、太陽能電池以及先進電池材料）中的缺陷邁出了一步。不過，他們同時強調，仍需要互補的方法來看清複雜缺陷地景的“完整全貌”。

傳統缺陷分析的限制

製造商已能透過摻雜等技術刻意引入缺陷，但缺陷濃度的量化在很大程度上仍是估算的工作。“工程師有很多方式引入缺陷，例如透過摻雜，但他們仍然很難回答一些基本問題，例如他們究竟創造出了哪一種缺陷，以及缺陷濃度是多少，”博士後 Chu-Liang Fu 說。

氧化或在合成過程中引入的雜質等非期望缺陷，還會讓情況更加複雜。然而，每一種既有的探測缺陷方法都有嚴格的限制。X 射線繞射與正電子湮滅只能表徵特定的缺陷類型，而拉曼光譜可以揭示缺陷類別，但無法直接指出其濃度。

另一個廣泛使用的工具——透射式電子顯微鏡——需要將樣品切成超薄切片才能成像。這使得它具有侵入性，也不適合對成品零件進行高通量的品質控管。因此，許多材料中可能存在多種缺陷族群，且這些族群往往缺乏良好的量化；它們可能以製造商未完全理解的方式降低效能。

用中子數據訓練模型

在先前的工作中，主要研究人 Mingda Li 與合作者展示了：將機器學習應用於光譜數據可以對晶體材料進行分類。在本研究中，團隊把這種策略擴展到專注於缺陷及其濃度。

研究團隊先建構了一個包含 2,000 種半導體材料的計算資料庫，接著為每一種材料生成樣品對：一份未摻雜（純淨）的樣品，以及一份經摻雜以引入特定缺陷的樣品。由於每一對樣品都使用相同的中子散射技術，他們量測了固體材料中原子的振動頻率，並彙整成一份豐富的數據集。

“這建立了一個涵蓋週期表 56 種元素的基礎模型，”Cheng 說。該網路採用多頭注意力（multihead attention）機制，與支撐 ChatGPT 等工具的相同架構。更重要的是，它會學習從無缺陷與已摻雜樣品之間的振動光譜中提取細微差異，然後預測哪些摻雜劑存在，以及其濃度各是多少。

在對系統進行微調並用實驗量測進行驗證後，研究人員展示模型能在一種廣泛應用於電子領域的合金中，準確估算缺陷濃度；以及在另一種不同的超導體材料中同樣如此。這證明此方法不只侷限於單一化合物。

一次量化多種點缺陷

為了探測其架構的極限，科學家對某些材料重複進行摻雜，以同時引入多種點缺陷。接著，他們要求模型僅依靠中子-振動數據，就能同時找回這些缺陷的類型與相對數量。

AI 顯示出能在單一材料中預測最多六種不同的點缺陷，而且能把缺陷濃度解析到低至 0.2 percent 的程度。不過，即便是研究團隊本身，對這種表現也感到驚訝。“要解碼來自兩種不同缺陷類型的混合訊號——更不用說是六種——非常困難，”Cheng 指出。

根據研究人員的說法，這種介於兩者之間的實驗突顯了：AI 缺陷偵測能區分那些彼此幾乎會讓人類分析師看起來相同的重疊光譜模式。此外，結果也指向通往他們所稱“缺陷知情（defect-aware）”材料工程的更系統化途徑。

從實驗室方法到工業工具

在目前的半導體與微電子製造中，公司通常只會用侵入式表徵測試少量的成品。這樣的工作流程會拖慢回饋速度，也讓人難以發現每一個有問題的缺陷，尤其當多種缺陷以複雜方式同時存在時。

“目前人們多半是在估算材料中缺陷的數量，”大學部研究員 Bowen Yu 說。要檢查這些估算需要多種專門技術，而每一種技術都只能探測樣品的一小區域或單一顆晶。因此，Yu 補充說，製造商很容易誤判實際上存在哪些缺陷，以及其數量各是多少。

MIT 團隊的方法基於中子與振動光譜，能提供更全面的圖像，但目前對多數工廠而言尚不具實用性。“這個方法非常有力，但可用性有限，”碩士生 Eunbi Rha 指出。此外，她也解釋說，雖然振動光譜在概念上很簡單，但中子量測的實驗裝置可能很複雜且規模很大。

因此，Li 與同事正在探索更容易取得的路徑。公司已經在半導體缺陷偵測上廣泛使用基於拉曼的工具，而多家工業合作夥伴也詢問：類似的、由 AI 驅動的模型是否能改用拉曼數據，而非中子數據，來工作。

朝向更廣泛、非侵入性的缺陷繪圖

為回應這樣的需求，研究人員計劃開發一個拉曼光譜模型，使其能夠類似他們的中子系統；但該模型將依賴光的散射，而不是中子。與此同時，他們也希望把他們的框架從點缺陷擴展到更大的結構特徵，例如晶粒與位錯，因為這些同樣會影響材料效能。

對於共同撰寫論文的 Oak Ridge National Laboratory 的 Yongqiang Cheng 與 Douglas L Abernathy PhD ’93 來說，這項工作凸顯了：將先進的光譜工具與人工智慧結合，如何能解鎖對物質的全新觀察視角。然而，他們也強調，隨著模型擴展，實驗驗證仍將是必不可少的。

最終，團隊將這項研究視為一個用於在多種量測平台部署 AI 驅動缺陷偵測的概念驗證。對人眼而言，Li 說，振動光譜中的缺陷訊號常常看起來幾乎一樣。然而，AI 的模式辨識可以拆解細微差異，並以可量化的精度推斷出真正的缺陷地景。

“缺陷是一把雙面刃，”Li 觀察道。“有很多良性的缺陷，但如果缺陷太多，效能就可能下降。這為缺陷科學開啟了一個新的範式。”這項研究發表在期刊 Matter；研究獲得美國能源部（Department of Energy）與美國國家科學基金會（National Science Foundation）的資助，並延續自 2021 年起的相關工作。

總結而言，MIT 團隊已證明：結合 AI 與中子散射的振動數據，可以同時繪製多種原子尺度缺陷，提供一條能更精確工程化材料的強大非侵入性途徑。