Forschende des Massachusetts Institute of Technology (MIT) haben ein KI-Modell entwickelt, das atomare Defekte in Materialien präzise identifiziert und quantifiziert, ohne diese zu zerstören. In der Materialwissenschaft werden Defekte oft gezielt eingebracht, um die Eigenschaften von Stahl, Halbleitern oder Solarzellen zu optimieren. Die exakte Messung dieser Fehler in fertigen Produkten bleibt jedoch eine große Herausforderung. Bisherige Analyseverfahren können entweder nur einzelne Defektarten erkennen oder erfordern invasive Eingriffe wie das Zerschneiden der Probe, was die Untersuchung des Gesamtzustands erschwert. Das neue KI-Modell, entwickelt unter der Leitung von Doktorand Mouyang Cheng und Professor Mingda Li, nutzt nicht-invasive Neutronenstreuungsdaten. Das System wurde mit Daten von 2.000 verschiedenen Halbleitermaterialien trainiert und ist in der Lage, bis zu sechs verschiedene Arten von Punktdefekten gleichzeitig zu detektieren. Dies entspricht einem Durchbruch, da konventionelle Methoden oft nur Teilaspekte erfassen können, ähnlich wie die Metapher vom Blinden und dem Elefanten, die im Forschungsbericht zitiert wird. Das Modell verwendet eine Multi-Head-Attention-Mechanik, vergleichbar mit der Technologie von ChatGPT, um Unterschiede in den Schwingungsfrequenzen der Atome zu analysieren. Es kann damit auch sehr geringe Konzentrationen von Dotierungen ab einem Wert von 0,2 Prozent zuverlässig vorhersagen. Die Anwendung dieses Verfahrens hat weitreichende Folgen für die Industrie. Ingenieurinnen und Ingenieure können zukünftig Materialien genauer charakterisieren, um unerwünschte Fehler wie Oxidation oder Verunreinigungen zu identifizieren, die zu Produktfehlern führen könnten. Bisher stützten sich Hersteller oft auf Schätzungen, da die verschiedenen Analysemethoden unterschiedliche und sich teilweise ausschließende Informationen liefern. Die neue KI-Lösung vereint diese Signale und liefert ein vollständiges Bild der Defektstruktur. Obwohl die Methode bisher experimentelle Neutronenstreuung voraussetzt, die für eine schnelle industrielle Qualitätssicherung noch zu aufwendig ist, zeigen sich bereits erste Wege zur praktischen Umsetzung. Mehrere Firmen haben Interesse an der Technologie bekundet. Die Forscher planen nun, ähnliche KI-Modelle auf Daten der weit verbreiteten Raman-Spektroskopie zu trainieren, um eine schnellere Implementierung in Produktionslinien zu ermöglichen. Zudem soll die Technik erweitert werden, um größere Defektstrukturen wie Korngrenzen oder Versetzungen zu erkennen. Die Studie, deren Ergebnisse kürzlich im Fachjournal "Matter" veröffentlicht wurden, unterstreicht das transformative Potenzial von Künstlicher Intelligenz in den Materialwissenschaften. Durch die Fähigkeit, komplexe Signalmuster zu entschlüsseln, die für das menschliche Auge und herkömmliche Algorithmen ununterscheidbar wirken, eröffnet sich ein neuer Paradigmenwechsel in der Defektforschung. Dies ermöglicht es, Defekte als Werkzeug zur Materialverbesserung präziser zu nutzen und gleichzeitig Leistungseinbußen durch zu viele Fehler zu vermeiden. Die Forschung wurde teilweise vom US-Energieministerium und der National Science Foundation finanziert.