Liệu trí tuệ nhân tạo có thể phát hiện và phân loại sáu loại điểm lỗi nguyên tử trong chất bán dẫn một cách phi xâm lấn không?

Các nhà nghiên cứu tại MIT đã phát triển một phương pháp mới sử dụng phát hiện lỗi bằng AI để nhận diện những khiếm khuyết cực nhỏ trong vật liệu mà không cần cắt hoặc làm hư hại mẫu.

Mô hình AI nhắm vào các lỗi ở cấp độ nguyên tử

Trong khoa học vật liệu, các khuyết tật ở mức hiển vi có thể là một lợi thế hơn là rủi ro, vì các khiếm khuyết được chủ ý thiết kế thường giúp tăng cường độ bền cơ học, khả năng truyền nhiệt hoặc hiệu suất chuyển đổi năng lượng. Tuy nhiên, việc lập bản đồ chính xác các khiếm khuyết này trong các sản phẩm hoàn thiện từ lâu đã gây khó khăn cho các kỹ sư.

Để giải quyết vấn đề này, một nhóm tại MIT đã xây dựng một mô hình AI phân loại và định lượng các khiếm khuyết ở cấp độ nguyên tử bằng dữ liệu từ một kỹ thuật tán xạ neutron không xâm lấn. Hệ thống, được huấn luyện trên 2.000 loại vật liệu bán dẫn khác nhau, có thể đồng thời phát hiện tới sáu loại khuyết tật điểm, điều mà các cách tiếp cận truyền thống không làm được.

“Các kỹ thuật hiện có không thể đặc trưng các khiếm khuyết theo cách phổ quát và định lượng một cách chính xác mà không làm phá hủy vật liệu,” giải thích Mouyang Cheng, nghiên cứu sinh tiến sĩ thuộc Khoa Khoa học và Kỹ thuật Vật liệu. Hơn nữa, anh cho biết rằng nếu không có học máy, việc “không thể tưởng tượng được” khi giải quyết sáu kiểu khiếm khuyết khác nhau trong một lần phân tích.

Các nhà nghiên cứu cho rằng khả năng này là một bước tiến hướng tới việc kiểm soát khiếm khuyết tinh vi hơn nhiều trong các sản phẩm như chất bán dẫn, vi điện tử, pin mặt trời và vật liệu pin tiên tiến. Dù vậy, họ nhấn mạnh rằng vẫn cần các phương pháp bổ sung để nhìn thấy “toàn bộ con voi” của các bối cảnh khiếm khuyết phức tạp.

Hạn chế của phân tích khiếm khuyết truyền thống

Các nhà sản xuất đã trở nên thành thạo trong việc cố ý đưa vào khuyết tật thông qua các kỹ thuật như pha tạp, nhưng việc định lượng nồng độ khuyết tật vẫn chủ yếu là một bài toán ước lượng. “Các kỹ sư có nhiều cách để tạo ra khuyết tật, như thông qua pha tạp, nhưng họ vẫn gặp khó khăn với những câu hỏi cơ bản như họ đã tạo ra loại khuyết tật nào và với nồng độ bao nhiêu,” nói nghiên cứu viên sau tiến sĩ Chu-Liang Fu.

Các khuyết tật không mong muốn, chẳng hạn như quá trình oxy hóa hoặc tạp chất được đưa vào trong quá trình tổng hợp, càng làm bức tranh trở nên phức tạp hơn. Tuy nhiên, mỗi phương pháp đã được thiết lập để khảo sát khiếm khuyết đều có những giới hạn nghiêm ngặt. Nhiễu xạ tia X và sự hủy positron chỉ có thể đặc trưng một số loại khuyết tật cụ thể, trong khi phổ Raman có thể cho thấy các nhóm khiếm khuyết nhưng không thể đo trực tiếp nồng độ của chúng.

Một công cụ khác được sử dụng rộng rãi là kính hiển vi điện tử truyền qua, đòi hỏi phải cắt các lát mỏng siêu mỏng của mẫu để chụp ảnh. Điều đó khiến nó có tính xâm lấn và không phù hợp cho kiểm soát chất lượng quy mô lớn đối với các chi tiết đã hoàn thiện. Do đó, nhiều vật liệu chứa nhiều quần thể khiếm khuyết nhưng chưa được định lượng tốt, và chúng có thể làm suy giảm hiệu năng theo những cách mà các nhà sản xuất không hiểu đầy đủ.

Huấn luyện mô hình bằng dữ liệu neutron

Trong công trình trước đây, nhà nghiên cứu chính Mingda Li và các cộng tác viên đã chứng minh rằng học máy áp dụng lên dữ liệu phổ có thể phân loại các vật liệu tinh thể. Trong nghiên cứu này, nhóm đã mở rộng chiến lược đó để tập trung cụ thể vào các khiếm khuyết và nồng độ của chúng.

Nhóm đã xây dựng một cơ sở dữ liệu tính toán gồm 2.000 vật liệu bán dẫn, sau đó tạo ra các cặp mẫu cho mỗi vật liệu: một mẫu nguyên vẹn và một mẫu được pha tạp để tạo ra các khiếm khuyết cụ thể. Sử dụng cùng một kỹ thuật tán xạ neutron cho mọi cặp, họ đo các tần số dao động của các nguyên tử trong các vật liệu rắn và tổng hợp một bộ dữ liệu phong phú.

“Điều đó tạo ra một mô hình nền tảng bao phủ 56 nguyên tố trong bảng tuần hoàn,” Cheng nói. Mạng sử dụng cơ chế chú ý đa đầu (multihead attention), cùng kiến trúc với các công cụ như ChatGPT. Hơn nữa, nó học cách trích xuất những khác biệt tinh vi trong phổ dao động giữa các mẫu không có khiếm khuyết và các mẫu đã được pha tạp, rồi dự đoán chất pha tạp nào đang có và ở nồng độ bao nhiêu.

Sau khi tinh chỉnh hệ thống và xác nhận bằng các phép đo thực nghiệm, các nhà nghiên cứu đã cho thấy mô hình có thể ước tính chính xác nồng độ khiếm khuyết trong một hợp kim được dùng rộng rãi trong điện tử, cũng như trong một vật liệu siêu dẫn khác biệt. Điều này chứng minh rằng cách tiếp cận không bị giới hạn trong một hợp chất duy nhất.

Định lượng nhiều khiếm khuyết điểm cùng lúc

Để thăm dò giới hạn của khung nghiên cứu, các nhà khoa học đã pha tạp một số vật liệu nhiều lần để đồng thời tạo ra một số loại khuyết tật điểm. Sau đó, họ yêu cầu mô hình khôi phục cả kiểu và lượng tương đối của các khiếm khuyết đó từ dữ liệu tán xạ dao động neutron.

AI cho thấy khả năng dự đoán tới sáu loại khuyết tật điểm khác nhau trong cùng một vật liệu, và có thể xác định nồng độ khuyết tật thấp tới 0,2 phần trăm. Tuy nhiên, mức hiệu năng này còn khiến ngay cả nhóm nghiên cứu cũng bất ngờ. “Thật sự rất khó để giải mã các tín hiệu trộn lẫn từ hai kiểu khiếm khuyết khác nhau — chứ chưa nói đến sáu,” Cheng nhận xét.

Theo các nhà nghiên cứu, thí nghiệm ở “mức trung gian” này cho thấy cách phát hiện lỗi bằng AI có thể phân biệt các mẫu quang phổ chồng lấn mà sẽ gần như giống hệt với các nhà phân tích con người. Hơn nữa, kết quả chỉ ra một lộ trình mang tính hệ thống hơn hướng tới cái mà họ gọi là “kỹ thuật vật liệu dựa trên khiếm khuyết” (defect-aware).

Từ phương pháp trong phòng thí nghiệm đến công cụ công nghiệp

Trong sản xuất chất bán dẫn và vi điện tử hiện nay, các công ty thường chỉ thử nghiệm một phần nhỏ trong số các sản phẩm hoàn thiện bằng các phép đặc trưng có tính xâm lấn. Quy trình này làm chậm phản hồi và khiến việc phát hiện mọi khiếm khuyết có vấn đề trở nên khó khăn hơn, đặc biệt khi nhiều loại tồn tại đồng thời theo những cách phức tạp.

“Hiện tại, mọi người chủ yếu ước lượng lượng khiếm khuyết trong vật liệu của họ,” nghiên cứu viên đại học Bowen Yu nói. Việc kiểm tra các ước lượng đó cần nhiều kỹ thuật chuyên biệt, mỗi kỹ thuật chỉ khảo sát một vùng nhỏ hoặc một hạt đơn lẻ của mẫu. Vì vậy, Yu nói thêm, các nhà sản xuất có thể dễ dàng hiểu sai rằng những khiếm khuyết nào thực sự đang hiện diện và với lượng bao nhiêu.

Cách tiếp cận của nhóm MIT, dựa trên neutron và phổ dao động, mang lại một bức tranh toàn diện hơn, nhưng hiện vẫn chưa thực tế đối với hầu hết các nhà máy. “Phương pháp này rất mạnh, nhưng khả năng tiếp cận của nó bị hạn chế,” sinh viên cao học Eunbi Rha nhận xét. Hơn nữa, cô giải thích rằng mặc dù phổ dao động về mặt khái niệm là đơn giản, thì các thiết lập thực nghiệm cho phép đo neutron có thể phức tạp và quy mô lớn.

Vì vậy, Li và các cộng tác viên đang khám phá những hướng đi dễ tiếp cận hơn. Các công ty đã sử dụng rộng rãi các công cụ dựa trên Raman để phát hiện khiếm khuyết trong chất bán dẫn, và một số đối tác công nghiệp đã hỏi khi nào một mô hình AI tương tự có thể hoạt động với dữ liệu Raman thay vì neutron.

Hướng tới lập bản đồ khiếm khuyết rộng hơn theo cách không xâm lấn

Đáp ứng nhu cầu đó, các nhà nghiên cứu dự định phát triển một mô hình phổ Raman phản chiếu hệ thống dựa trên neutron của họ nhưng dựa vào sự tán xạ của ánh sáng thay vì neutron. Song song, họ cũng muốn mở rộng khung của mình vượt ra khỏi các khiếm khuyết điểm để nắm bắt các đặc trưng cấu trúc lớn hơn như hạt và sự lệch mạng (dislocation) — những yếu tố cũng ảnh hưởng đến hiệu năng của vật liệu.

Đối với Yongqiang Cheng và Douglas L Abernathy (PhD ’93) của Oak Ridge National Laboratory, những người đồng tác giả bài báo, công trình này nhấn mạnh việc kết hợp các công cụ phổ học tiên tiến với trí tuệ nhân tạo có thể mở ra những góc nhìn mới về vật chất. Tuy nhiên, họ nhấn mạnh rằng việc xác thực thực nghiệm sẽ vẫn là thiết yếu khi các mô hình được mở rộng.

Cuối cùng, nhóm coi nghiên cứu của họ là một bằng chứng về khái niệm (proof of concept) cho việc triển khai phát hiện khiếm khuyết do AI hỗ trợ trên nhiều nền tảng đo lường. Đối với mắt người, Li nói, các tín hiệu khiếm khuyết trong phổ dao động thường trông gần như giống hệt nhau. Tuy nhiên, nhận dạng mẫu bằng AI có thể tách bạch các biến thiên tinh vi và suy ra bức tranh khiếm khuyết thật sự với độ chính xác định lượng.

“Các khiếm khuyết là con dao hai lưỡi,” Li nhận xét. “Có nhiều khiếm khuyết tốt, nhưng nếu có quá nhiều, hiệu năng có thể suy giảm. Điều này mở ra một mô hình (paradigm) mới trong khoa học về khiếm khuyết.” Nghiên cứu, được công bố trên tạp chí Matter, nhận được sự hỗ trợ từ Bộ Năng lượng (Department of Energy) và Quỹ Khoa học Quốc gia (National Science Foundation), đồng thời xây dựng dựa trên công trình có từ năm 2021.

Tóm lại, nhóm MIT đã chứng minh rằng AI, khi kết hợp với dữ liệu dao động tán xạ neutron, có thể lập bản đồ nhiều khiếm khuyết ở cấp độ nguyên tử cùng lúc, mang lại một lộ trình không xâm lấn mạnh mẽ để chế tạo chính xác hơn các vật liệu được thiết kế.