生物学においては、欠陥は一般的に有害であると考えられています。しかし、材料科学においては、欠陥を意図的に設計することで、材料に新たな有用な特性を付与することが可能です。今日では、強度向上、導電率制御、性能最適化などを目的として、鋼鉄、半導体、太陽電池などの製品の製造工程に原子レベルの欠陥が慎重に導入されています。例えば、シリコンではドーピングを制御することでキャリア濃度を調整できます。同様に、超広帯域半導体における欠陥エンジニアリングは、次世代パワーエレクトロニクスへの応用可能性を高めることができます。

欠陥分析は強力なツールとなっているものの、完成品に含まれる様々な種類の欠陥とその濃度を正確に測定することは、特に最終材料を切断したり損傷させたりすることなく行う場合は、依然として非常に困難である。材料中に存在する欠陥を認識していないエンジニアは、性能の低い製品や意図しない特性を持つ製品を製造してしまう可能性がある。既存の欠陥特性評価技術は数多く存在するものの、感度、選択性、定量性、破壊性といった点で依然として大きな限界が残っている。

この文脈では、MITの研究チームは、フォノン状態密度（PDoS）で測定された振動スペクトルから置換点欠陥の化学種と濃度を直接予測できる、DefectNetと呼ばれる基本的な機械学習モデルを提案した。複数の元素が存在する場合でも、このモデルは実現可能です。2,000種類の半導体材料から得られた16,000を超えるシミュレーションスペクトルデータポイントで学習されたこのモデルは、カスタマイズされたアテンションメカニズムを採用し、0.21 TP³Tから251 TP³Tまでの濃度範囲で最大6種類の異なる欠陥元素を識別します。このモデルは、56種類の元素を含む未知の結晶において優れた汎化能力を示し、実験データを使用して微調整することができます。SiGe合金およびMgB₂超伝導体の非弾性散乱実験データを用いた検証により、このモデルの精度と汎用性が実証されています。

関連する研究成果は、「振動スペクトルを用いた非破壊的な欠陥識別のための基礎モデル」と題され、arXivにプレプリントとして公開されている。

研究のハイライト:

振動分光法によるフォノン状態密度（PDoS）の測定と機械学習を組み合わせることで、バルク材料中の点欠陥を非破壊的に特性評価および定量化するための有望な道筋が開かれる。

* 低濃度条件下では、欠陥のある結晶と完全な結晶のフォノンスペクトルがほとんど区別できないという問題に対処するために、スペクトル注意機構を導入する。

* 密度汎関数理論（DFT）に基づくフォノンシミュレーションにおける高い計算コストという課題に対処するため、機械学習原子間ポテンシャル（MLIP）を導入する。

用紙のアドレス:

https://arxiv.org/abs/2506.00725

その他のAI関連論文を見る：

https://hyper.ai/cn/papers

データセット：2,000種類の完全結晶材料に基づいて構築されたデータセット

この研究では、2,000種類の完全結晶材料から得られた16,000個のドーピングされた超格子構造を含むデータセットを構築した。下図に示すように、二元系、三元系、四元系、五元系の半導体を対象としています。

置換欠陥は、下図に示すように、周期表の最初の56元素（希ガス図を除く）から選択されます。これらの欠陥は、個別に、または組み合わせて導入することで、実際の共ドープシナリオをシミュレートし、将来の高次元設計空間における欠陥エンジニアリングの参考情報を提供することができます。

研究者らは、機械学習レコメンダーを用いてドーパントの選択を誘導した。各構造は、ドーパントレコメンダーを介してn型およびp型ドーパント候補についてスクリーニングされた。次に、親結晶は433～500個の原子を含むスーパーセルに拡張され、希薄ドーピング濃度の下限が約0.2%となるように寸法が適応的に調整された。ドーパントは親格子に置換され、各ドーピング構造は、すべての原子力が0.01 eV/Å未満に収束するまで構造緩和を受けた。構造緩和後、有限変位法を用いてPDoSが計算され、振動特性が評価され、DefectNetへのスペクトル入力が形成された。

構造緩和とは、ガラス状物質内部の原子配列が、時間経過または焼きなまし処理中に徐々に安定した構造へと変化していく過程を指します。

DefectNet：PDoSから直接、点欠陥の化学種と濃度を非破壊的に識別します。

DefectNetは、フォノンスペクトルから欠陥の化学元素と濃度を予測するために使用されます。その全体的なアーキテクチャは、4つのモジュールに分けることができます。ワークフローは下図に示すとおりです。このモデルの目的は、PDoSから損傷を与えることなく、点欠陥の化学種と濃度を直接特定することです。

データ生成

データセットを構築した後、研究者らはMACE-MP-0基本MLIPを凍結フォノン形式で使用し、完全結晶およびドーピングされた超格子構造に対してハイスループットな構造緩和計算とフォノン計算を実行した。実験的な分解能をシミュレートするため、計算されたPDoS曲線はガウス平滑化処理も施された。

DefectNet 入力

このモデルは、親となる完全結晶の組成、完全結晶のPDoS、ドーピングされた系のPDoS、および考えられる欠陥化学の初期推定値の4種類の入力を受け取ります。初期推定値は、人間の直感や既存の知識に基づいて提供することも、機械学習に基づく欠陥推奨器（最も可能性の高いドーパント元素を予測するために使用される確率モデル）によって自動的に生成することもできます。トレーニングデータはシミュレーションによるものですが、このフレームワーク設計は、実験的な分光データ（非弾性中性子散乱（INS）データなど）に合わせて微調整することができます。

モデルアーキテクチャ

DefectNetモデルはPyTorchで実装されており、4つの主要部分からなるモジュール型アーキテクチャを採用しています。

* 1次元畳み込みに基づくスペクトルエンコーダ：入力は、長さ100の3つの1次元信号（未添加材料のPDoS、添加材料のPDoS、およびホスト結晶組成ベクトル）で構成されます。これらの情報は連結されて3チャンネルの入力となり、1次元畳み込みネットワークを通して特徴が抽出され、最終的に100個の「スペクトルトークン」が生成されます。各スペクトルトークンは128次元ベクトルです。

* ドーパント埋め込みモジュール:ドーパント候補の初期推定値は、特定のサンプルに対して考慮されるドーパント元素を示す56次元のバイナリベクトルとして提供されます。これらのバイナリベクトルは、全結合層を介して同じ128次元の潜在空間に投影され、単一のドーパント埋め込みベクトルが得られます。この埋め込みベクトルは、アテンション機構に対するグローバルクエリとして機能し、モデルが特定のドーピング状況に応じてスペクトル特性の解釈を調整できるようにします。

* マルチヘッド注意機構：ドーピング候補と振動特性間の相互作用をモデル化するために、DefectNetはマルチヘッド自己注意機構を使用し、ドーピング埋め込みをクエリQ、スペクトル特性Vをキーバリュー行列として用いる。注意機構は、標準的なスケーリングドット積の公式に従う。

* ドーパントマスクモジュール：このモデルは56種類の添加元素の濃度予測を出力しますが、「ハードマスキング」機構により、候補元素のみがゼロ以外の出力を持つことが許され、損失関数はこれらの元素に対してのみ計算されます。これにより、次の3つの利点が得られます。1つ目は、トレーニングの安定性が向上すること。2つ目は、無関係なカテゴリからの干渉を回避できること。3つ目は、物理的な事前情報との一貫性が維持されることです。

出力

最終出力の特徴は、初期欠陥推定値に基づいてハードマスク処理され、推定セットに含まれていないドーパント濃度が除去されます。この仕組みにより、DefectNetの予測欠陥濃度は、最初に想定された欠陥セットの範囲内に収まることが保証されます。したがって、初期推定値が欠落または不完全な場合、モデルは特定のドーパント元素を復元できない可能性があります。

DefectNetは、同時に発生する6つの置換欠陥を解決できます。

DefectNetの性能を評価するため、研究者たちは一連の実験を設計し、その結果は以下の通りであった。DefectNetは、0.2%という低濃度でも最大6つの共存する置換欠陥を識別でき、詳細な原子構造情報を必要とせずにPDoSデータを処理できます。

DefectNetを用いた欠陥の種類と濃度の予測

研究者らはまず、模擬PDoS上で、典型的な二元系（SiC、AlAs）および三元系（AgGaS₂、InCuSe₂）半導体をテストした。

SiCとAlAsは、それぞれ大きなバンドギャップを持つため、高出力電子デバイスやヘテロ構造設計において非常に高く評価されています。下の図は、完全結晶とドーピングされた結晶のPDoS、および予測されたドーピング濃度と実際のドーピング濃度を示しています。ドーピングレベルが低い場合（約1%）、DefectNetは微細な振動変化を捉え、正確なドーピング濃度を確実に復元できます。

次に、研究者らは、より化学的に複雑な三元半導体であるAgGaS₂とInCuSe₂にDefectNetを適用し、その結果を下の図に示した。AgGaS₂は赤外線非線形光学に用いられ、InCuSe₂は薄膜太陽電池の有望な材料である。これらの材料は、複数の不等価な原子サイトと多様な振動モードを含んでいる。しかし、DefectNetはPDoSの変化を追跡し、ドーピング濃度を推測することができ、複雑な構造や化学システムにおいてもその堅牢性を示している。

その汎化能力をさらに評価するため、研究者らは、入力データには存在するが実際には存在しない「干渉」欠陥を含む、様々な共存ドーパントを含む完全な欠陥データセットでDefectNetをテストした。下の図は、予測された欠陥濃度（色付きの点）と真の値（黒い点）を比較し、平均二乗誤差（MSE）の四分位ごとにグループ化した結果を示している。

分布内（上の図a）：親結晶はトレーニングデータに現れたが、その欠陥情報は不明である。DefectNetは、幅広い種類の欠陥と濃度において高い精度を発揮します。入力データに干渉する欠陥が含まれている場合でも、このモデルは真のドーピングを識別し、干渉を除去することができます。

分布外シナリオ（上の図b）：トレーニング中に親結晶が現れなかったため、予測精度がわずかに低下しました。しかしながら、DefectNetは主要なドーピング特性を捉え、ほとんどの干渉欠陥に対してほぼゼロの濃度を割り当てることができ、優れた汎化能力を示している。

実験データに基づくDefectNetの微調整

DefectNetの実用性を検証するため、研究者らは実験データを用いて微調整とテストを行った。熱電材料であるSiGe合金を例にとり、100個のアモルファスSiスーパーセルからなるトレーニングデータセットを構築した。これらのスーパーセルは、Si-GAP-18データベースからの急冷シミュレーションによってサンプリングされ、低エネルギーの準結晶構造から高度に無秩序な構造まで、様々な構造状態を網羅している。具体的な結果を以下の図に示す。

無秩序度が増加すると、PDoS曲線が広がり、60 meVの光学的フォノン特性ピークが抑制され（上の図a）、モデルの微調整のための母材が得られます。続いて、研究者らは、アモルファスSiスーパーセルにGeをランダムに置換することでSiGe合金をシミュレーションし、0%から25%までのさまざまなドーピングレベルと異なる無秩序度を網羅しました。

微調整後、DefectNetはテストセットにおいて0.019の二乗平均平方根誤差（RMSE）を達成し、高い予測性能を示した（上の図b）。微調整されたモデルは、Si₁₋ₓGeₓ合金（x = 5%、10%、20%、上記の図c）の実験的GPDoSデータにさらに適用されました。DefectNetは、Ge濃度をそれぞれ7%、13%、22%と予測し、これは実験的傾向と非常に一致していました（上記の図d）。

非晶質材料における欠陥の正確な定量化は本質的に困難であることを考慮すると、この結果はDefectNetが実験データに対して高い予測能力を持っていることを示している。Alドープ多バンド超伝導体MgB₂の場合、精密に調整されたDefectNetは、ドーピング濃度251TP⁻³Tまでの実験的な傾向を再現できる。

結論：将来性は大きいが、課題も数多く存在する。

このモデルは有望な可能性を秘めているものの、その応用にはいくつかの課題が残っています。例えば、欠陥濃度が極めて低い場合、振動特性は弱くノイズに容易に覆い隠されてしまうため、モデルの感度が低下します。現在のバージョンは置換型ドーピングに限定されており、格子間原子、空孔、フレンケル対、欠陥クラスターなど、さまざまな点欠陥タイプに拡張することで、その応用範囲は大幅に拡大します。シミュレーションデータは高い汎化能力を示しますが、実験データによる微調整は不可欠であり、再学習なしで元の実験スペクトルに直接適用できるモデルを実現することは、長期的な目標となっています。

将来を見据えると、DefectNetは欠陥科学における統一されたデータ駆動型パラダイムへの重要な一歩となる。そのアーキテクチャは、マルチモーダルなスペクトル入力と本質的に互換性があり、特定の欠陥特性を持つ材料の逆設計の可能性を切り開く。物理法則に基づいた表現、ハイスループットシミュレーション、スケーラブルな学習、そして実験的な微調整を組み合わせることで、DefectNetは、複雑な実世界の材料における、自動化され、解釈可能で、非破壊的な欠陥エンジニアリングへの道筋を提供する。

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