Im Bereich der Materialwissenschaft können atomare Defekte gezielt eingestellt werden, um Materialien neue funktionale Eigenschaften zu verleihen. Bei der Herstellung von Produkten wie Stahl, Halbleitern und Solarzellen werden häufig Defekte eingeführt, um die Festigkeit zu erhöhen, die Leitfähigkeit zu steuern oder die Leistung zu optimieren. Die genaue Messung von Defekttyp und -konzentration ohne Beschädigung des Materials stellt jedoch nach wie vor eine technische Herausforderung dar.

Ein Forschungsteam am Massachusetts Institute of Technology (MIT) hat ein KI-Modell entwickelt, das Daten aus der nicht-invasiven Neutronenstreutechnik nutzt, um atomare Defekte in Materialien zu klassifizieren und zu quantifizieren. Das Modell wurde an 2000 verschiedenen Halbleitermaterialien trainiert und kann gleichzeitig bis zu sechs Punktdefekte erkennen, wodurch es die Grenzen herkömmlicher Techniken überwindet. Die Studie wurde in der Fachzeitschrift „Matter“ veröffentlicht.

Der Erstautor und Doktorand der Materialwissenschaften und Werkstofftechnik, Mouyang Cheng, sagte: „Bestehende Techniken können Defekte nicht zerstörungsfrei, allgemeingültig und quantitativ genau charakterisieren. Für traditionelle Methoden ohne maschinelles Lernen wäre die Erkennung von sechs verschiedenen Defekten undenkbar.“

Die Forscher erstellten eine Datenbank, die 56 Elemente des Periodensystems abdeckt. Durch den Vergleich von Neutronenstreudaten von Proben mit und ohne Defekte trainierten sie ein Machine-Learning-Modell, um Unterschiede in den Schwingungsfrequenzen zu erkennen. Das Modell verwendet einen Multi-Head-Attention-Mechanismus ähnlich wie ChatGPT, um den Dotierungsstofftyp und dessen Konzentration vorherzusagen.

Experimentelle Validierungen zeigten, dass das KI-Modell Defekte in für die Elektronik gebräuchlichen Legierungen und supraleitenden Materialien mit einer Nachweisgenauigkeit für die Konzentration von bis zu 0,2 % messen kann. Der leitende Autor und außerordentliche Professor für Nuklearwissenschaft und -technik, Mingda Li, betonte: „Derzeit ist die Defekterkennung wie die sprichwörtliche Geschichte von den Blinden und dem Elefanten – jede Technik sieht nur einen Teil. Wir brauchen einen umfassenderen Ansatz, denn erst das Verständnis von Defekten macht Materialien nützlicher.“

Obwohl die Neutronenstreutechnik in der praktischen Anwendung schwer einzusetzen ist, plant das Team, ähnliche Modelle auf der Basis von Daten der weiter verbreiteten Raman-Spektroskopie zu entwickeln und die Erkennung auf größere Merkmale wie Körner und Versetzungen auszuweiten. Diese KI-Technologie bietet der Wissenschaft der Materialdefekte ein neues Forschungsmodell und hat das Potenzial, die Herstellungsgenauigkeit von Halbleitern, Mikroelektronik und Energiematerialien zu verbessern.

Veröffentlichungsdetails: Autor: by Zach Winn, Massachusetts Institute of Technology; Titel: „AI-based model measures atomic defects in materials“; erschienen in: „Matter“ (2026).