麻省理工学院研究人员利用人工智能技术，成功开发出一款能够非侵入式识别并量化材料中原子缺陷的新模型。在材料科学中，缺陷并非总是有害的，通过精确调控缺陷可以显著提升半导体、太阳能电池及电池材料的性能。然而，准确测量成品中不同类型缺陷的种类和浓度一直是行业难题，传统方法往往需要破坏样本或无法全面检测。 该研究团队由首席作者程某扬和资深作者李明达教授领导，建立了一个包含 2000 种半导体材料的计算数据库。利用中子散射技术测量原子振动频率，并训练机器学习模型，该系统能够同时检测多达六种点缺陷及其低至 0.2% 的浓度。该模型采用了类似于 ChatGPT 的多头注意力机制，能够从复杂的混合信号中精准提取差异，这是传统技术无法实现的功能。 研究人员指出，目前的检测手段如同盲人摸象，每种技术仅能获取局部信息。新模型通过 AI 强大的模式识别能力，能够呈现缺陷的全貌，为工程师提供了理解材料内部结构的“新范式”。虽然目前的中子散射方法在工业部署上存在设备限制，但研究团队已收到企业兴趣，计划下一步将技术迁移至更普及的拉曼光谱，并拓展对晶粒等更大尺度特征的分析。 这项研究展示了人工智能在解读复杂科学数据方面的巨大潜力，不仅解决了长期存在的缺陷定量难题，也为优化材料性能、提升电子产品质量开辟了新的道路。该成果已发表于《Matter》期刊，并得到了美国能源部和国家科学基金会的支持。