In der Biologie gelten Defekte im Allgemeinen als schädlich. In der Materialwissenschaft hingegen lassen sich Defekte gezielt erzeugen, um Materialien neue und nützliche Eigenschaften zu verleihen. Heutzutage werden atomare Defekte sorgfältig in die Herstellungsprozesse von Produkten wie Stahl, Halbleitern und Solarzellen eingebracht, um Festigkeit, Leitfähigkeit und Leistung zu verbessern. So lässt sich beispielsweise die Ladungsträgerkonzentration in Silizium durch gezielte Dotierung einstellen; ebenso kann die gezielte Erzeugung von Defekten in Halbleitern mit ultrabreiter Bandlücke deren Potenzial für den Einsatz in der Leistungselektronik der nächsten Generation steigern.

Obwohl die Fehleranalyse sich zu einem leistungsstarken Werkzeug entwickelt hat, bleibt die präzise Messung der verschiedenen Fehlerarten und -konzentrationen in Fertigprodukten eine große Herausforderung, insbesondere ohne das Material zu beschädigen. Ingenieure, die die im Material vorhandenen Fehler nicht kennen, riskieren die Herstellung von Produkten mit mangelhafter Leistung oder unerwünschten Eigenschaften. Trotz der Vielzahl bestehender Fehlercharakterisierungsverfahren bestehen weiterhin erhebliche Einschränkungen hinsichtlich Empfindlichkeit, Selektivität, Quantifizierbarkeit und Zerstörungsfreiheit.

In diesem ZusammenhangEin Forschungsteam des MIT hat ein grundlegendes maschinelles Lernmodell namens DefectNet vorgeschlagen, das die chemischen Arten und Konzentrationen von Substitutionspunktdefekten direkt aus Schwingungsspektren vorhersagen kann, die in der Phononenzustandsdichte (PDoS) gemessen werden.Selbst bei Vorhandensein mehrerer Elemente ist dieses Modell realisierbar. Es wurde anhand von über 16.000 simulierten Spektraldatenpunkten aus 2.000 Halbleitermaterialien trainiert und verwendet einen angepassten Aufmerksamkeitsmechanismus, um bis zu sechs verschiedene Defektelemente mit Konzentrationen von 0,21 TP³T bis 251 TP³T zu identifizieren. Das Modell zeigt eine gute Generalisierungsfähigkeit in unbekannten Kristallen mit 56 Elementen und kann mithilfe experimenteller Daten feinabgestimmt werden. Die Validierung anhand experimenteller Daten zur inelastischen Streuung an SiGe-Legierungen und MgB₂-Supraleitern belegt die Genauigkeit und Übertragbarkeit des Modells.

Die zugehörigen Forschungsergebnisse mit dem Titel „Ein Grundlagenmodell zur zerstörungsfreien Defektidentifizierung aus Schwingungsspektren“ wurden als Preprint auf arXiv veröffentlicht.

Forschungshighlights:

Die Kombination von Schwingungsspektroskopie-Messungen der Phononenzustandsdichte (PDoS) mit maschinellem Lernen bietet einen vielversprechenden Weg zur zerstörungsfreien Charakterisierung und Quantifizierung von Punktdefekten in Volumenmaterialien.

* Einführung eines spektralen Aufmerksamkeitsmechanismus, um dem Problem zu begegnen, dass Phononenspektren von defekten und perfekten Kristallen unter Bedingungen niedriger Konzentration nahezu ununterscheidbar sein können.

* Einführung von maschinellem Lernen interatomarer Potentiale (MLIPs), um die Herausforderung der hohen Rechenkosten bei Phononensimulationen auf Basis der Dichtefunktionaltheorie (DFT) zu bewältigen.

Papieradresse:

https://arxiv.org/abs/2506.00725

Weitere KI-Veröffentlichungen ansehen:

https://hyper.ai/cn/papers

Datensatz: Ein Datensatz, der auf 2.000 perfekten kristallinen Materialien basiert

Die Studie erstellte einen Datensatz mit 16.000 dotierten Superzellen aus 2.000 perfekten kristallinen Materialien.Es umfasst binäre, ternäre, quaternäre und pentane Halbleiter, wie in der folgenden Abbildung dargestellt:

Die Substitutionsdefekte werden aus den ersten 56 Elementen des Periodensystems (ohne Edelgase) ausgewählt, wie in der Abbildung unten dargestellt. Sie können einzeln oder in Kombination eingeführt werden, um reale Co-Dotierungsszenarien zu simulieren und als Referenz für das Defekt-Engineering in zukünftigen hochdimensionalen Designräumen zu dienen.

Die Forscher nutzten einen maschinellen Lernalgorithmus zur Auswahl von Dotierstoffen. Jede Struktur wurde mithilfe dieses Algorithmus auf n- und p-leitende Dotierstoffkandidaten hin untersucht. Der Ausgangskristall wurde anschließend zu einer Superzelle mit 433–500 Atomen erweitert, deren Dimensionen adaptiv angepasst wurden, um eine untere Grenze von etwa 0,2% für die verdünnte Dotierungskonzentration zu gewährleisten. Die Dotierstoffe wurden in das Ausgangsgitter eingebaut, und jede dotierte Struktur wurde einer Strukturrelaxation unterzogen, bis alle Atomkräfte unter 0,01 eV/Å konvergierten. Nach der Strukturrelaxation wurde die partielle Zustandsdichte (PDoS) mithilfe der Methode der finiten Verschiebungen berechnet, um die Schwingungseigenschaften zu bestimmen. Diese Daten bildeten die spektrale Eingangsgröße für DefectNet.

* Unter struktureller Relaxation versteht man den Prozess, bei dem sich die atomare Anordnung innerhalb einer glasartigen Substanz im Laufe der Zeit oder während des Temperns allmählich in eine stabilere Struktur umwandelt.

DefectNet: Identifiziert zerstörungsfrei die chemischen Arten und Konzentrationen von Punktdefekten direkt aus PDoS.

DefectNet dient zur Vorhersage der chemischen Elemente und Konzentrationen von Defekten anhand von Phononenspektren. Seine Gesamtarchitektur lässt sich in vier Module unterteilen.Der Arbeitsablauf ist in der folgenden Abbildung dargestellt. Ziel des Modells ist es, die chemische Art und Konzentration von Punktdefekten aus PDoS direkt und zerstörungsfrei zu bestimmen.

Datengenerierung

Nach der Erstellung des Datensatzes nutzten die Forscher das MACE-MP-0 Basic MLIP in eingefrorener Phononenform, um Strukturrelaxations- und Phononenberechnungen mit hohem Durchsatz an perfekten Kristallen und dotierten Superzellen durchzuführen. Um die experimentelle Auflösung zu simulieren, wurden die berechneten PDoS-Kurven zudem mit einem Gauß-Filter geglättet.

DefectNet-Eingabe

Das Modell benötigt vier Arten von Eingaben: die Zusammensetzung des idealen Ausgangskristalls, die Zustandsdichte (PDOS) des idealen Kristalls, die Zustandsdichte (PDOS) des dotierten Systems und eine erste Schätzung der möglichen Defektchemie. Diese erste Schätzung kann auf menschlicher Intuition oder vorhandenem Wissen beruhen oder automatisch durch einen maschinellen Lernalgorithmus generiert werden, der Defektempfehlungen vorgibt – ein probabilistisches Modell zur Vorhersage des wahrscheinlichsten Dotierelements. Obwohl die Trainingsdaten simuliert sind, lässt sich dieses Framework an experimentelle spektroskopische Daten (z. B. inelastische Neutronenstreuung (INS)) anpassen.

Modellarchitektur

Das DefectNet-Modell ist in PyTorch implementiert und verwendet eine modulare Architektur, die aus vier Hauptteilen besteht:

* Spektraler Encoder basierend auf 1D-Faltungen:Die Eingabe besteht aus drei eindimensionalen Signalen der Länge 100: der PDoS des undotierten Materials, der PDoS des dotierten Materials und dem Zusammensetzungsvektor des Wirtskristalls. Diese Informationen werden zu einer dreikanaligen Eingabe verknüpft, und Merkmale werden mittels eines eindimensionalen Faltungsnetzwerks extrahiert, um schließlich 100 „Spektral-Tokens“ zu erzeugen, von denen jedes ein 128-dimensionaler Vektor ist.

* Dotierstoff-Einbettungsmodul:Die ersten Schätzungen für Dotierstoffkandidaten werden als 56-dimensionale Binärvektoren bereitgestellt, die die für eine gegebene Probe berücksichtigten Dotierstoffelemente angeben. Diese Binärvektoren werden mittels einer vollständig verbundenen Schicht auf denselben 128-dimensionalen latenten Raum projiziert, um einen einzelnen Dotierstoff-Einbettungsvektor zu erhalten. Dieser Einbettungsvektor dient als globale Anfrage für den Aufmerksamkeitsmechanismus und ermöglicht es dem Modell, die Interpretation seiner spektralen Merkmale entsprechend den jeweiligen Dotierkontexten anzupassen.

* Mechanismus zur Aufmerksamkeitssteuerung mit mehreren Köpfen:Um die Wechselwirkung zwischen Dotierkandidaten und Schwingungsmerkmalen zu modellieren, verwendet DefectNet einen Multi-Head-Self-Attention-Mechanismus. Dabei dient das Dotier-Embedding als Anfrage Q und die spektralen Merkmale V als Schlüssel-Wert-Matrix. Der Aufmerksamkeitsmechanismus folgt der Standardformel des skalierten Skalarprodukts.

* Dotierstoffmaskiertes Modul:Das Modell liefert Konzentrationsvorhersagen für 56 dotierte Elemente. Durch einen „harten Maskierungsmechanismus“ werden jedoch nur für Kandidatenelemente Werte ungleich null zugelassen, und die Verlustfunktion wird nur für diese Elemente berechnet. Dies bietet drei Vorteile: Erstens wird die Stabilität des Trainings verbessert; zweitens werden Störungen durch irrelevante Kategorien vermieden; und drittens wird die Konsistenz mit physikalischen Vorannahmen gewahrt.

Ausgabe

Die endgültigen Ausgabemerkmale werden anhand der anfänglichen Defektschätzungen hartmaskiert, wobei Dotierungskonzentrationen, die nicht im Schätzungssatz enthalten sind, entfernt werden. Dieser Mechanismus stellt sicher, dass die vorhergesagten Defektkonzentrationen von DefectNet auf den anfänglich angenommenen Defektsatz beschränkt sind; daher kann das Modell bestimmte Dotierungselemente möglicherweise nicht wiederherstellen, wenn die anfänglichen Schätzungen fehlen oder unvollständig sind.

DefectNet kann 6 gleichzeitig auftretende Substitutionsdefekte auflösen.

Um die Leistungsfähigkeit von DefectNet zu evaluieren, entwarfen die Forscher eine Reihe von Experimenten, deren Ergebnisse Folgendes zeigten:DefectNet kann bis zu sechs gleichzeitig auftretende Substitutionsdefekte bei Konzentrationen von nur 0,2% auflösen und PDoS-Daten verarbeiten, ohne dass detaillierte Informationen zur Atomstruktur erforderlich sind.

Anwendung von DefectNet zur Vorhersage von Fehlertyp und -konzentration

Die Forscher testeten zunächst typische binäre (SiC, AlAs) und ternäre (AgGaS₂, InCuSe₂) Halbleiter auf einem simulierten PDoS.

SiC und AlAs sind aufgrund ihrer großen Bandlücken in Hochleistungselektronikbauelementen und Heterostrukturen hoch angesehen. Die Abbildung unten zeigt die Zustandsdichte (PDoS) perfekter und dotierter Kristalle sowie die vorhergesagten und tatsächlichen Dotierungskonzentrationen. Selbst bei geringen Dotierungsgraden (ca. 1%) kann DefectNet noch kleinste Schwingungsänderungen erfassen und die korrekte Dotierungskonzentration zuverlässig bestimmen.

Anschließend wandten die Forscher DefectNet auf die chemisch komplexeren ternären Halbleiter AgGaS₂ und InCuSe₂ an. Die Ergebnisse sind in der Abbildung unten dargestellt. AgGaS₂ wird in der Infrarot-Nichtlinearen Optik eingesetzt, während InCuSe₂ ein potenzielles Material für Dünnschicht-Photovoltaik ist. Diese Materialien weisen mehrere nichtäquivalente Atompositionen und diverse Schwingungsmoden auf.Allerdings kann DefectNet weiterhin Änderungen in PDoS verfolgen und die Dotierungskonzentration ableiten, was seine Robustheit in komplexen Strukturen und chemischen Systemen beweist.

Um die Generalisierungsfähigkeit weiter zu evaluieren, testeten die Forscher DefectNet an einem vollständigen Defektdatensatz mit verschiedenen gleichzeitig vorhandenen Dotierstoffen, darunter auch „Interferenzdefekte“, die zwar im Eingangsdatensatz vorhanden, aber in Wirklichkeit nicht existieren. Die folgende Abbildung zeigt die Ergebnisse durch den Vergleich der vorhergesagten Defektkonzentrationen (farbige Punkte) mit den tatsächlichen Werten (schwarze Punkte), gruppiert nach den Quartilen des mittleren quadratischen Fehlers (MSE):

In-Distribution (Abbildung a oben): Der Ausgangskristall erschien in den Trainingsdaten, aber seine Defektinformationen sind unbekannt;DefectNet zeichnet sich durch hohe Genauigkeit über ein breites Spektrum an Defekttypen und -konzentrationen aus. Selbst wenn die Eingangsdaten Stördefekte enthalten, kann das Modell echte Dotierungen erkennen und Störungen entfernen.

Szenario außerhalb der Verteilung (Abbildung b oben): Der Elternkristall erschien während des Trainings nicht, was zu einer leichten Verringerung der Vorhersagegenauigkeit führte.Dennoch ist DefectNet in der Lage, die wichtigsten Dotierungsmerkmale zu erfassen und den meisten störenden Defekten Konzentrationen nahe Null zuzuordnen, was eine gute Generalisierungsfähigkeit beweist.

Feinabstimmung von DefectNet anhand experimenteller Daten

Um den praktischen Nutzen von DefectNet zu überprüfen, haben die Forscher es anhand experimenteller Daten feinabgestimmt und getestet. Am Beispiel einer thermoelektrischen SiGe-Legierung erstellten sie einen Trainingsdatensatz mit 100 amorphen Si-Superzellen. Diese Superzellen wurden mittels Abschrecksimulationen aus der Si-GAP-18-Datenbank generiert und decken verschiedene Strukturzustände ab, von energiearmen, nahezu kristallinen bis hin zu stark ungeordneten. Die Ergebnisse sind in der folgenden Abbildung dargestellt:

Mit zunehmender Unordnung verbreitert sich die PDoS-Kurve, und der charakteristische Peak der optischen Phononen bei 60 meV wird unterdrückt (siehe Abbildung a oben). Dies liefert ein Ausgangsmaterial für die Feinabstimmung des Modells. Anschließend simulierten die Forscher SiGe-Legierungen durch zufälliges Ersetzen von Ge in amorphen Si-Superzellen und deckten dabei verschiedene Dotierungsgrade und unterschiedliche Unordnungsgrade von 0% bis 25% ab.

Nach der Feinabstimmung,DefectNet erreichte auf dem Testdatensatz einen mittleren quadratischen Fehler (RMSE) von 0,019 und demonstrierte damit eine starke Vorhersageleistung (Abbildung b oben).Das feinabgestimmte Modell wurde anschließend auf die experimentellen GPDoS-Daten der Si₁₋ₓGeₓ-Legierung (x = 5%, 10%, 20%, siehe Abbildung c) angewendet. DefectNet sagte Ge-Konzentrationen von 7%, 13% bzw. 22% voraus, die sehr gut mit dem experimentellen Trend übereinstimmten (siehe Abbildung d).

Angesichts der grundsätzlichen Schwierigkeit, Defekte in amorphen Materialien präzise zu quantifizieren, demonstriert dieses Ergebnis die hohe Vorhersagekraft von DefectNet für experimentelle Daten. Für den Al-dotierten Mehrband-Supraleiter MgB₂ kann das feinabgestimmte DefectNet experimentelle Trends bis zu einer Dotierungskonzentration von 251TP⁻³T reproduzieren.

Fazit: Die Perspektiven sind vielversprechend, aber die Herausforderungen sind zahlreich.

Trotz der vielversprechenden Perspektiven dieses Modells bestehen weiterhin einige Herausforderungen bei seiner Anwendung. Beispielsweise sind bei extrem niedrigen Defektkonzentrationen die Schwingungsmerkmale schwach und werden leicht vom Rauschen überlagert, was die Empfindlichkeit des Modells verringert. Die aktuelle Version ist auf Substitutionsdotierung beschränkt, und ihre Erweiterung auf verschiedene Punktdefekttypen (wie Zwischengitteratome, Leerstellen, Frenkel-Paare oder Defektcluster) würde ihren Anwendungsbereich deutlich vergrößern. Obwohl die Simulationsdaten eine hohe Generalisierungsfähigkeit aufweisen, bleibt die Feinabstimmung anhand experimenteller Daten unerlässlich, und die Entwicklung eines Modells, das ohne erneutes Training direkt auf die ursprünglichen experimentellen Spektren angewendet werden kann, bleibt ein langfristiges Ziel.

Mit Blick auf die Zukunft stellt DefectNet einen bedeutenden Schritt hin zu einem einheitlichen, datengetriebenen Paradigma in der Defektforschung dar. Seine Architektur ist inhärent kompatibel mit multimodalen Spektraldaten und eröffnet Möglichkeiten für das inverse Design von Materialien mit spezifischen Defekteigenschaften. Durch die Kombination von physikbasierten Darstellungen, Hochdurchsatzsimulationen, skalierbarem Lernen und experimenteller Feinabstimmung bietet DefectNet einen Weg für automatisiertes, interpretierbares und zerstörungsfreies Defekt-Engineering in realen Materialien voller Komplexität.

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