L'ia defect detection peut-elle cartographier six défauts atomiques dans les semi-conducteurs de manière non invasive ?

Des chercheurs du MIT ont développé une nouvelle approche qui utilise la détection de défauts par l’IA pour identifier de minuscules imperfections dans des matériaux sans couper ni endommager les échantillons.

Le modèle d’IA cible les défauts à l’échelle atomique

En science des matériaux, des défauts microscopiques peuvent être un atout plutôt qu’un inconvénient, puisque des défauts volontairement conçus renforcent souvent la résistance mécanique, le transfert de chaleur ou l’efficacité de conversion énergétique. Toutefois, cartographier avec précision ces défauts dans des produits finis a longtemps constitué un défi pour les ingénieurs.

Pour résoudre ce problème, une équipe du MIT a construit un modèle d’IA qui classe et quantifie les défauts à l’échelle atomique à partir de données issues d’une technique de diffusion de neutrons non invasive. Le système, entraîné sur 2 000 matériaux semi-conducteurs différents, peut détecter simultanément jusqu’à six types de défauts ponctuels, une capacité que les approches conventionnelles ne peuvent pas atteindre.

« Les techniques existantes ne peuvent pas caractériser les défauts de manière universelle et quantitative sans détruire le matériau », explique Mouyang Cheng, doctorant au Département de science et génie des matériaux. En outre, il note qu’en l’absence de l’apprentissage automatique, « c’est impensable » de résoudre six types distincts de défauts dans une seule analyse.

Les chercheurs soutiennent que cette capacité constitue une étape vers un contrôle beaucoup plus fin des défauts dans des produits tels que les semi-conducteurs, la microélectronique, les cellules solaires et les matériaux d’électrodes avancés pour batteries. Cela dit, ils soulignent que des méthodes complémentaires sont encore nécessaires pour voir le « tableau complet » des paysages de défauts complexes.

Limites de l’analyse conventionnelle des défauts

Les fabricants sont devenus compétents pour introduire délibérément des défauts via des techniques comme le dopage, mais quantifier les concentrations de défauts reste largement un exercice d’estimation. « Les ingénieurs ont de nombreuses façons d’introduire des défauts, comme le dopage, mais ils ont encore du mal à répondre à des questions de base comme quel type de défaut ils ont créé et à quelle concentration », dit le postdoctorant Chu-Liang Fu.

Des défauts indésirables, comme l’oxydation ou les impuretés introduites pendant la synthèse, compliquent encore davantage la situation. Cependant, chaque méthode établie pour sonder les défauts a des limites strictes. La diffraction des rayons X et l’annihilation de positons ne peuvent caractériser que certains types de défauts, tandis que la spectroscopie Raman peut révéler des catégories de défauts, mais pas directement leur concentration.

Un autre outil largement utilisé, le microscope électronique à transmission, exige de découper des tranches ultrafines d’un échantillon pour l’imagerie. Cela le rend invasif et inadapté au contrôle qualité à haut débit sur des pièces finies. Par conséquent, de nombreux matériaux abritent plusieurs populations de défauts, mal quantifiées, susceptibles de dégrader les performances d’une manière que les fabricants ne comprennent pas pleinement.

Entraîner le modèle avec des données de neutrons

Dans des travaux antérieurs, le chercheur principal Mingda Li et ses collaborateurs ont montré que l’apprentissage automatique appliqué à des données de spectroscopie pouvait classer des matériaux cristallins. Pour cette étude, l’équipe a étendu cette stratégie pour se concentrer spécifiquement sur les défauts et leurs concentrations.

Le groupe a construit une base de données computationnelle de 2 000 matériaux semi-conducteurs, puis a généré des paires d’échantillons pour chacun : un échantillon intact, et un dopé afin d’introduire des défauts spécifiques. En utilisant la même technique de diffusion des neutrons pour chaque paire, ils ont mesuré les fréquences de vibration des atomes au sein des matériaux solides et ont compilé un riche ensemble de données.

« Cela a permis de bâtir un modèle de base qui couvre 56 éléments du tableau périodique », dit Cheng. Le réseau utilise un mécanisme d’attention multi-têtes, la même architecture qui sous-tend des outils comme ChatGPT. De plus, il apprend à extraire de subtiles différences dans les spectres de vibration entre des échantillons exempts de défauts et des échantillons dopés, puis prédit quels dopants sont présents et à quelles concentrations.

Après avoir effectué un ajustement fin du système et l’avoir validé à l’aide de mesures expérimentales, les chercheurs ont montré que le modèle pouvait estimer avec précision les concentrations de défauts dans un alliage largement utilisé dans l’électronique, ainsi que dans un matériau supraconducteur distinct. Cela a démontré que l’approche ne se limite pas à un seul composé.

Quantifier plusieurs défauts ponctuels à la fois

Pour sonder les limites de leur cadre, les scientifiques ont dopé certains matériaux plusieurs fois afin d’introduire simultanément plusieurs types de défauts ponctuels. Ils ont ensuite demandé au modèle de retrouver à la fois les types et les quantités relatives de ces défauts à partir des seules données de neutrons-vibrations.

L’IA s’est révélée capable de prédire jusqu’à six défauts ponctuels différents au sein d’un même matériau, et elle pouvait résoudre des concentrations de défauts aussi faibles que 0,2 %. Toutefois, ce niveau de performance a surpris même l’équipe. « C’est très difficile de décoder les signaux mélangés provenant de deux types de défauts différents — sans même parler de six », note Cheng.

D’après les chercheurs, cette expérience menée au « juste milieu » met en évidence comment la détection de défauts par l’IA peut distinguer des motifs spectrales qui se présenteraient comme quasiment identiques pour des analystes humains. De plus, les résultats indiquent une voie plus systématique vers ce qu’ils appellent l’ingénierie des matériaux “aware” en matière de défauts.

De la méthode de laboratoire à l’outil industriel

Dans la fabrication actuelle de semi-conducteurs et de microélectronique, les entreprises testent typiquement seulement un petit sous-ensemble des produits finis à l’aide de caractérisations invasives. Ce processus ralentit le retour d’information et rend difficile la détection de tous les défauts problématiques, surtout lorsque plusieurs types coexistent de façon complexe.

« En ce moment, les gens estiment en grande partie les quantités de défauts dans leurs matériaux », dit Bowen Yu, chercheur de premier cycle. Vérifier ces estimations nécessite plusieurs techniques spécialisées, chacune sondant seulement une petite région ou un seul grain de l’échantillon. Ainsi, ajoute Yu, les fabricants peuvent facilement mal interpréter quels défauts sont réellement présents et en quelles quantités.

L’approche du MIT, basée sur les neutrons et les spectres de vibration, offre une image plus complète, mais elle n’est pas encore pratique pour la plupart des usines. « Cette méthode est très puissante, mais sa disponibilité est limitée », note la masterante Eunbi Rha. En outre, elle explique que même si, conceptuellement, les spectres de vibration sont simples, les installations expérimentales pour les mesures par neutrons peuvent être complexes et à grande échelle.

C’est pourquoi Li et ses collègues explorent des voies plus accessibles. Les entreprises utilisent déjà largement des outils basés sur Raman pour la détection des défauts dans les semi-conducteurs, et plusieurs partenaires industriels ont demandé quand un modèle d’IA similaire pourrait fonctionner avec des données Raman plutôt qu’avec des neutrons.

Vers une cartographie plus large des défauts, non invasive

En réponse à cette demande, les chercheurs prévoient de développer un modèle de spectroscopie Raman qui imite leur système basé sur les neutrons, mais s’appuie sur la diffusion de la lumière plutôt que sur celle des neutrons. En parallèle, ils visent à étendre leur cadre au-delà des défauts ponctuels pour capturer des caractéristiques structurales plus vastes, telles que les grains et les dislocations, qui influencent également les performances des matériaux.

Pour Yongqiang Cheng et Douglas L Abernathy PhD ’93 du Oak Ridge National Laboratory, qui ont co-signé l’article, ce travail souligne comment la combinaison d’outils de spectroscopie avancés avec l’intelligence artificielle peut ouvrir de nouvelles perspectives sur la matière. Toutefois, ils insistent sur le fait que la validation expérimentale restera essentielle à mesure que les modèles s’étendent.

Au final, l’équipe considère que son étude constitue une preuve de concept pour déployer la détection de défauts alimentée par l’IA sur une gamme de plateformes de mesure. À l’œil humain, dit Li, les signaux de défauts dans les spectres de vibration ressemblent souvent à s’y méprendre. Pourtant, la reconnaissance de motifs par l’IA peut démêler des variations subtiles et inférer le véritable paysage de défauts avec une précision quantitative.

« Les défauts sont cette arme à double tranchant », observe Li. « Il y a beaucoup de bons défauts, mais s’il y en a trop, les performances peuvent se dégrader. Cela ouvre un nouveau paradigme en science des défauts. » La recherche, publiée dans la revue Matter, a reçu un soutien du Department of Energy et de la National Science Foundation, et s’appuie sur des travaux datant de 2021.

En résumé, l’équipe du MIT a montré que l’IA, combinée avec des données de vibration issues de la diffusion des neutrons, peut cartographier plusieurs défauts à l’échelle atomique à la fois, offrant une voie non invasive puissante vers des matériaux plus précisément conçus.