麻省理工學院（MIT）研究團隊近日開發出一款創新的人工智慧（AI）模型，能夠以非破壞性方式，精準分類與量化材料中的原子缺陷。這項技術突破解決了材料科學領域長期以來的挑戰，有望加速半導體、微電子、太陽能電池及電池材料等關鍵領域的研發與製造。
現有的原子缺陷偵測技術往往存在諸多限制，例如必須破壞材料才能進行分析，或僅能偵測部分缺陷類型。研究團隊成員、材料科學與工程學系博士候選人Mouyang Cheng指出，現有技術無法在不破壞材料的前提下，普遍且定量地準確描述缺陷。副教授Mingda Li則將現有缺陷偵測技術比喻為「盲人摸象」，只能窺見部分樣貌，難以掌握全貌。
這款AI模型運用中子散射技術所收集的原子振動頻率數據進行訓練。研究人員建立了一個包含2,000種半導體材料的計算資料庫，並配對有無缺陷的樣本。該模型採用了類似ChatGPT的多頭注意力機制，能夠從有缺陷與無缺陷材料的數據中提取差異，並預測摻雜劑類型及濃度。經過微調與實驗數據驗證，模型能同時偵測多達六種點缺陷，且偵測濃度可低至0.2%。Mouyang Cheng對此表示驚訝，認為AI模型在解讀來自多種缺陷的混合訊號方面表現極佳，這在沒有機器學習的傳統技術中是「不可想像」的。
研究團隊認為，這項進展為更精準地利用缺陷特性邁出重要一步。缺陷在材料中扮演著雙面刃的角色，適當的缺陷能賦予材料新的有用特性，例如鋼材、半導體和太陽能電池，但過高的缺陷濃度也會導致性能下降。Oak Ridge國家實驗室的研究人員Chu-Liang Fu提到，製造商常在合成過程中面臨如何精準控制缺陷種類與濃度的問題，如氧化或雜質等意外缺陷。
儘管中子散射技術檢測效果強大，但其可用性相對有限，難以迅速應用於企業的品管流程。因此，研究團隊計劃未來進一步以拉曼光譜數據訓練類似模型，該技術的實驗設置較為簡便，有望加速業界採用。此研究成果已於2026年發表在國際期刊《Matter》上，論文標題為《用於非破壞性缺陷識別振動光譜的基礎模型》（A foundation model for non-destructive defect identification from vibrational spectra）。
