في علم الأحياء، تُعتبر العيوب ضارة بشكل عام. أما في علم المواد، فيمكن هندسة العيوب عمدًا لمنح المواد خصائص جديدة ومفيدة. اليوم، تُدخل العيوب على المستوى الذري بعناية في عمليات تصنيع منتجات مثل الفولاذ وأشباه الموصلات والخلايا الشمسية لتحسين المتانة والتحكم في الموصلية وتحسين الأداء، وغير ذلك. على سبيل المثال، يمكن ضبط تركيز حاملات الشحنة من خلال التطعيم المتحكم به في السيليكون؛ وبالمثل، يمكن لهندسة العيوب في أشباه الموصلات ذات فجوة النطاق فائقة الاتساع أن تعزز إمكانية استخدامها في إلكترونيات الطاقة من الجيل التالي.

رغم أن تحليل العيوب أصبح أداةً فعّالة، إلا أن قياس أنواع العيوب وتركيزاتها بدقة في المنتجات النهائية لا يزال يمثل تحديًا كبيرًا، خاصةً دون قطع المادة النهائية أو إتلافها. وقد ينتج عن جهل المهندسين بالعيوب الموجودة في المادة منتجات ذات أداء ضعيف أو خصائص غير مرغوب فيها. وعلى الرغم من وفرة تقنيات توصيف العيوب المتاحة، إلا أن هناك قيودًا كبيرة لا تزال قائمة فيما يتعلق بالحساسية والانتقائية وقابلية القياس الكمي والقدرة على الإتلاف.

وفي هذا السياق،اقترح فريق بحثي من معهد ماساتشوستس للتكنولوجيا نموذجًا أساسيًا للتعلم الآلي يسمى DefectNet، والذي يمكنه التنبؤ مباشرة بالأنواع الكيميائية وتركيزات عيوب نقطة الاستبدال من الأطياف الاهتزازية المقاسة في كثافة حالات الفونون (PDoS).حتى في وجود عناصر متعددة، يُمكن تحقيق هذا النموذج. تم تدريب النموذج على أكثر من 16000 نقطة بيانات طيفية مُحاكاة من 2000 مادة شبه موصلة، ويستخدم آلية انتباه مُخصصة لتحديد ما يصل إلى ستة عناصر عيوب مختلفة بتراكيز تتراوح من 0.21 TP³T إلى 251 TP³T. يُظهر النموذج قدرة تعميم جيدة في بلورات غير مرئية تحتوي على 56 عنصرًا، ويمكن ضبطه بدقة باستخدام البيانات التجريبية. يُثبت التحقق من صحة النموذج باستخدام بيانات تجريبية للتشتت غير المرن من سبائك السيليكون والجرمانيوم والموصلات الفائقة MgB₂ دقته وقابليته للتطبيق في مجالات أخرى.

تم نشر نتائج البحث ذات الصلة، بعنوان "نموذج أساسي لتحديد العيوب غير المدمرة من الأطياف الاهتزازية"، كنسخة أولية على موقع arXiv.

أبرز الأبحاث:

إن الجمع بين قياسات التحليل الطيفي الاهتزازي لكثافة حالات الفونون (PDoS) والتعلم الآلي يوفر مسارًا واعدًا للتوصيف غير المدمر وتحديد كمية العيوب النقطية في المواد الصلبة.

* تقديم آلية انتباه طيفية لمعالجة مشكلة أن أطياف الفونون للبلورات المعيبة والمثالية قد تكون غير قابلة للتمييز تقريبًا في ظل ظروف التركيز المنخفض.

* تقديم إمكانات التعلم الآلي بين الذرات (MLIPs) لمعالجة تحدي التكاليف الحسابية العالية في عمليات محاكاة الفونون القائمة على نظرية الكثافة الوظيفية (DFT).

عنوان الورقة:

https://arxiv.org/abs/2506.00725

اطلع على المزيد من الأبحاث المتعلقة بالذكاء الاصطناعي:

https://hyper.ai/cn/papers

مجموعة البيانات: مجموعة بيانات مبنية على أساس 2000 مادة بلورية مثالية

قامت الدراسة بإنشاء مجموعة بيانات تحتوي على 16000 خلية فائقة مطعمة من 2000 مادة بلورية مثالية.يغطي هذا الكتاب أشباه الموصلات الثنائية والثلاثية والرباعية والخماسية، كما هو موضح في الشكل أدناه:

يتم اختيار عيوب الاستبدال من أول 56 عنصرًا في الجدول الدوري (باستثناء مخطط الغازات النبيلة)، كما هو موضح في الشكل أدناه. ويمكن إدخالها بشكل فردي أو مجتمعة لمحاكاة سيناريوهات التطعيم المشترك الحقيقية، وتوفير مرجع لهندسة العيوب في مساحات التصميم عالية الأبعاد المستقبلية.

استخدم الباحثون نظام توصية يعتمد على التعلم الآلي لتوجيه عملية اختيار المواد المُطعِّمة، حيث تم فحص كل بنية بحثًا عن مرشحين من النوعين n و p باستخدام نظام توصية خاص بالمواد المُطعِّمة. ثم تم توسيع البلورة الأصلية إلى خلية فائقة تحتوي على 433-500 ذرة، بأبعاد مُعدَّلة تكيفيًا لضمان حد أدنى يبلغ حوالي 0.2% لتركيز التطعيم المخفف. تم استبدال المواد المُطعِّمة في الشبكة الأصلية، وخضعت كل بنية مُطعَّمة لعملية استرخاء بنيوي حتى تقاربت جميع القوى الذرية إلى أقل من 0.01 إلكترون فولت/أنغستروم. بعد الاسترخاء البنيوي، تم حساب كثافة الحالات الجزئية (PDoS) باستخدام طريقة الإزاحة المحدودة لتقييم الخصائص الاهتزازية، مما شكّل المدخل الطيفي لشبكة DefectNet.

* يشير الاسترخاء الهيكلي إلى العملية التي يتحول من خلالها الترتيب الذري داخل مادة زجاجية تدريجياً إلى بنية أكثر استقراراً بمرور الوقت أو أثناء التلدين.

DefectNet: يحدد الأنواع الكيميائية وتركيزات العيوب النقطية بشكل غير مدمر مباشرة من PDoS.

يُستخدم برنامج DefectNet للتنبؤ بالعناصر الكيميائية وتركيزات العيوب من أطياف الفونون. ويمكن تقسيم بنيته العامة إلى 4 وحدات.يوضح الشكل أدناه سير العمل. يهدف النموذج إلى تحديد النوع الكيميائي وتركيز العيوب النقطية مباشرةً من PDoS دون إتلافها.

توليد البيانات

بعد إنشاء مجموعة البيانات، استخدم الباحثون نموذج MACE-MP-0 الأساسي متعدد المستويات للكثافة (MLIP) بصيغة الفونونات المجمدة لإجراء حسابات استرخاء هيكلي وحسابات فونونية عالية الإنتاجية على بلورات مثالية وخلايا فائقة مطعمة. ولمحاكاة الدقة التجريبية، تم تنعيم منحنيات كثافة الحالات الجزئية (PDoS) المحسوبة باستخدام دالة غاوسية.

مدخلات DefectNet

يستقبل النموذج أربعة أنواع من المدخلات: تركيب البلورة الأصلية المثالية، وكثافة الحالات الجزئية للبلورة المثالية، وكثافة الحالات الجزئية للنظام المُطعّم، وتخمين أولي للتركيب الكيميائي المحتمل للعيوب. يمكن الحصول على التخمين الأولي من خلال الحدس البشري أو المعرفة المتوفرة، أو يمكن توليده تلقائيًا بواسطة مُوصي عيوب قائم على التعلم الآلي، وهو نموذج احتمالي يُستخدم للتنبؤ بالعنصر المُطعّم الأكثر احتمالًا. على الرغم من أن بيانات التدريب مُحاكاة، إلا أنه يمكن ضبط تصميم هذا الإطار بدقة للتكيف مع البيانات الطيفية التجريبية (مثل بيانات تشتت النيوترونات غير المرن).

بنية النموذج

تم تنفيذ نموذج DefectNet في PyTorch ويعتمد على بنية معيارية تتكون من أربعة أجزاء رئيسية:

* مشفر طيفي يعتمد على عمليات الالتفاف أحادية البعد:يتكون المدخل من ثلاث إشارات أحادية البعد بطول 100: كثافة الحالات الجزئية للمادة غير المشوبة، وكثافة الحالات الجزئية للمادة المشوبة، ومتجه تركيب البلورة المضيفة. تُدمج هذه المعلومات في مدخل ثلاثي القنوات، وتُستخرج الميزات من خلال شبكة عصبية التفافية أحادية البعد لتشكيل 100 "رمز طيفي"، كل منها عبارة عن متجه ذي 128 بُعدًا.

* وحدة تضمين المادة المضافة:تُقدَّم التخمينات الأولية لمرشحي الشوائب على شكل متجهات ثنائية ذات 56 بُعدًا، تُشير إلى عناصر الشوائب المُعتبرة لعينة مُحدَّدة. تُسقط هذه المتجهات الثنائية عبر طبقة مُتصلة بالكامل على نفس الفضاء الكامن ذي 128 بُعدًا للحصول على متجه تضمين واحد للشوائب. يعمل متجه التضمين هذا كاستعلام شامل لآلية الانتباه، مما يُمكِّن النموذج من تعديل تفسير خصائصه الطيفية وفقًا لسياقات الشوائب المُحدَّدة.

* آلية الانتباه متعددة الرؤوس:لنمذجة التفاعل بين المرشحين لتعاطي المنشطات والخصائص الاهتزازية، يستخدم DefectNet آلية انتباه ذاتي متعددة الرؤوس، حيث يمثل تضمين المنشطات الاستعلام Q، بينما تمثل الخصائص الطيفية مصفوفة المفتاح والقيمة V. وتتبع آلية الانتباه صيغة الضرب النقطي القياسية.

* وحدة مُقنّعة بمادة مُضافة:يُخرج النموذج تنبؤات تركيز لـ 56 عنصرًا مُضافًا، ولكن من خلال آلية "الحجب الصارم"، يُسمح فقط للعناصر المرشحة بالحصول على مخرجات غير صفرية، ويتم حساب دالة الخسارة لهذه العناصر فقط. وهذا يُحقق ثلاث فوائد: أولًا، يُحسّن استقرار التدريب؛ ثانيًا، يتجنب التداخل من الفئات غير ذات الصلة؛ ثالثًا، يحافظ على الاتساق مع المعلومات الفيزيائية المسبقة.

الناتج

تُخضع خصائص الإخراج النهائية لتقنية الحجب الصارم بناءً على التقديرات الأولية للعيوب، مما يؤدي إلى إزالة تركيزات الشوائب غير الموجودة في مجموعة التقديرات. تضمن هذه الآلية أن تكون تركيزات العيوب المتوقعة لشبكة DefectNet محصورة ضمن مجموعة العيوب المفترضة مبدئيًا؛ وبالتالي، إذا كانت التقديرات الأولية مفقودة أو غير مكتملة، فقد يعجز النموذج عن استعادة بعض عناصر الشوائب.

يمكن لـ DefectNet حل 6 عيوب استبدال متزامنة.

لتقييم قدرات DefectNet، صمم الباحثون سلسلة من التجارب، وأظهرت النتائج ما يلي:يمكن لـ DefectNet حل ما يصل إلى ستة عيوب استبدال متزامنة بتركيزات منخفضة تصل إلى 0.2%، ويمكنه معالجة بيانات PDoS دون الحاجة إلى معلومات تفصيلية عن التركيب الذري.

تطبيق DefectNet في التنبؤ بنوع العيوب وتركيزها

قام الباحثون أولاً باختبار أشباه الموصلات الثنائية النموذجية (SiC، AlAs) والثلاثية (AgGaS₂، InCuSe₂) على PDoS محاكاة.

يُعتبر كلٌّ من كربيد السيليكون (SiC) وأرسينيد الألومنيوم (AlAs) من المواد ذات القيمة العالية في الأجهزة الإلكترونية عالية الطاقة وتصميمات الهياكل غير المتجانسة، وذلك بفضل فجوات الطاقة الكبيرة فيهما. يوضح الشكل أدناه كثافة الحالات الجزئية (PDoS) للبلورات المثالية والمطعمة، بالإضافة إلى تركيزات التطعيم المتوقعة والفعلية. حتى مع مستويات التطعيم المنخفضة (حوالي 1%)، لا يزال بإمكان DefectNet رصد التغيرات الاهتزازية الدقيقة واستعادة تركيز التطعيم الصحيح بدقة.

بعد ذلك، طبّق الباحثون برنامج DefectNet على أشباه الموصلات الثلاثية الأكثر تعقيدًا كيميائيًا، وهما AgGaS₂ وInCuSe₂، والنتائج موضحة في الشكل أدناه. يُستخدم AgGaS₂ في البصريات غير الخطية للأشعة تحت الحمراء، بينما يُعد InCuSe₂ مادةً واعدةً للخلايا الكهروضوئية الرقيقة. تحتوي هذه المواد على مواقع ذرية متعددة غير متكافئة وأنماط اهتزازية متنوعة.ومع ذلك، لا يزال بإمكان DefectNet تتبع التغييرات في PDoS واستنتاج تركيز التطعيم، مما يدل على متانته في الهياكل المعقدة والأنظمة الكيميائية.

لتقييم قدرة DefectNet على التعميم بشكلٍ أدق، اختبر الباحثون DefectNet على مجموعة بيانات كاملة للعيوب تحتوي على شوائب متنوعة متزامنة، بما في ذلك عيوب "التداخل" الموجودة في المدخلات ولكنها غير موجودة فعليًا. يوضح الشكل أدناه النتائج من خلال مقارنة تركيزات العيوب المتوقعة (النقاط الملونة) بالقيم الحقيقية (النقاط السوداء)، مُصنفة حسب أرباع متوسط مربع الخطأ (MSE).

التوزيع الداخلي (الشكل أ أعلاه): ظهرت البلورة الأصلية في بيانات التدريب، لكن معلومات عيوبها غير معروفة؛يُظهر برنامج DefectNet دقة عالية في التعامل مع نطاق واسع من أنواع العيوب وتركيزاتها. حتى عندما تحتوي المدخلات على عيوب متداخلة، يظل بإمكان النموذج تحديد التطعيم الحقيقي وإزالة التداخل.

سيناريو خارج التوزيع (الشكل ب أعلاه): لم تظهر البلورة الأصلية أثناء التدريب، مما أدى إلى انخفاض طفيف في دقة التنبؤ.ومع ذلك، لا يزال بإمكان DefectNet التقاط خصائص التطعيم الرئيسية وتعيين تركيزات قريبة من الصفر لمعظم العيوب المتداخلة، مما يدل على قدرة جيدة على التعميم.

ضبط DefectNet بدقة على البيانات التجريبية

للتحقق من القيمة التطبيقية العملية لشبكة DefectNet، قام الباحثون بضبطها واختبارها على بيانات تجريبية. وباستخدام سبيكة السيليكون-الجرمانيوم الكهروحرارية كمثال، أنشأ الباحثون مجموعة بيانات تدريبية تتكون من 100 خلية فائقة من السيليكون غير المتبلور. تم أخذ عينات من هذه الخلايا الفائقة من خلال محاكاة التبريد السريع من قاعدة بيانات Si-GAP-18، والتي تغطي حالات هيكلية متنوعة من شبه بلورية منخفضة الطاقة إلى شديدة الاضطراب. تظهر النتائج المحددة في الشكل أدناه:

مع ازدياد الاضطراب، يتسع منحنى كثافة الحالات الجزئية (PDoS)، ويخفت ذروة الفونون الضوئي المميزة عند 60 ملي إلكترون فولت (الشكل أ أعلاه)، مما يوفر مادة أساسية لضبط النموذج بدقة. بعد ذلك، قام الباحثون بمحاكاة سبائك السيليكون-الجرمانيوم عن طريق استبدال الجرمانيوم عشوائيًا في خلايا السيليكون الفائقة غير المتبلورة، لتغطية مستويات تطعيم مختلفة ودرجات متفاوتة من الاضطراب من 0% إلى 25%.

بعد إجراء التعديلات الدقيقة،حقق DefectNet متوسط خطأ الجذر التربيعي (RMSE) قدره 0.019 على مجموعة الاختبار، مما يدل على أداء تنبؤي قوي (الشكل ب أعلاه).تم تطبيق النموذج المُحسَّن على بيانات كثافة الحالات العامة التجريبية لسبائك Si₁₋ₓGeₓ (حيث x = 5%، 10%، 20%، الشكل ج أعلاه). وتوقع برنامج DefectNet أن تكون تراكيز الجرمانيوم 7%، 13%، و22% على التوالي، وهو ما يتوافق بشكل كبير مع الاتجاه التجريبي (الشكل د أعلاه).

بالنظر إلى الصعوبة الكامنة في تحديد كمية العيوب بدقة في المواد غير المتبلورة، تُظهر هذه النتيجة قدرة DefectNet التنبؤية العالية للبيانات التجريبية. بالنسبة للموصل الفائق متعدد النطاقات MgB₂ المُطعّم بالألومنيوم، تستطيع DefectNet المُعدّلة بدقة محاكاة الاتجاهات التجريبية حتى تركيز تطعيم يبلغ 251TP⁻³T.

الخلاصة: الآفاق واسعة، لكن التحديات كثيرة.

على الرغم من الآفاق الواعدة لهذا النموذج، لا تزال هناك عدة تحديات في تطبيقه. فعلى سبيل المثال، عند تركيزات العيوب المنخفضة للغاية، تكون الخصائص الاهتزازية ضعيفة ويسهل إخفاؤها بالضوضاء، مما يؤدي إلى انخفاض حساسية النموذج؛ ويقتصر الإصدار الحالي على التطعيم الاستبدالي، ومن شأن توسيعه ليشمل أنواعًا مختلفة من العيوب النقطية (مثل الذرات البينية، والفراغات، وأزواج فرينكل، أو تجمعات العيوب) أن يوسع نطاق تطبيقه بشكل كبير؛ وعلى الرغم من أن بيانات المحاكاة تُظهر قدرة تعميم قوية، إلا أن الضبط الدقيق على البيانات التجريبية لا يزال ضروريًا، ويظل التوصل إلى نموذج يمكن تطبيقه مباشرة على الأطياف التجريبية الأصلية دون إعادة تدريب هدفًا طويل الأمد.

بالنظر إلى المستقبل، يُمثل DefectNet خطوةً هامة نحو نموذج موحد قائم على البيانات في علم العيوب. يتميز هيكله بتوافقه الجوهري مع المدخلات الطيفية متعددة الأنماط، ويفتح آفاقًا جديدة للتصميم العكسي للمواد ذات خصائص العيوب المحددة. من خلال الجمع بين التمثيلات القائمة على الفيزياء، والمحاكاة عالية الإنتاجية، والتعلم القابل للتوسع، والضبط التجريبي الدقيق، يوفر DefectNet مسارًا لهندسة العيوب الآلية والقابلة للتفسير وغير المدمرة في مواد العالم الحقيقي ذات التعقيد الكامل.

مراجع:
1.https://news.mit.edu/2026/mit-researchers-use-ai-uncover-atomic-defects-materials-0330
2.https://arxiv.org/abs/2506.00725