Tr\u00eas pesquisadores do MIT desenvolveram um modelo de IA capaz de classificar e quantificar defeitos at\u00f4micos em materiais usando dados de uma t\u00e9cnica de espalhamento de n\u00eautrons n\u00e3o invasiva. O estudo, publicado hoje na revista Matter, foca em materiais semicondutores e ligas utilizadas em eletr\u00f4nica.<\/p>\n
O modelo foi treinado com uma base de dados de 2.000 materiais semicondutores diferentes. Ele consegue detectar at\u00e9 seis tipos de defeitos pontuais simultaneamente, um feito que n\u00e3o seria poss\u00edvel com t\u00e9cnicas convencionais. A abordagem busca oferecer uma leitura quantitativa sem destruir o material.<\/p>\n
Os pesquisadores afirmam que a ferramenta representa um avan\u00e7o importante para o uso de defeitos de forma mais precisa em produtos como semicondutores, microeletr\u00f4nica, c\u00e9lulas solares e materiais de bateria. O objetivo \u00e9 melhorar o controle de propriedades como resist\u00eancia, transfer\u00eancia de calor e efici\u00eancia de convers\u00e3o de energia.<\/p>\n
Participaram do trabalho Mouyang Cheng (autor principal), Chu-Liang Fu, Bowen Yu, Eunbi Rha, Abhijatmedhi Chotrattanapituk e membros do Oak Ridge National Laboratory, al\u00e9m de Mingda Li, coautor s\u00eanior. O estudo tamb\u00e9m contou com apoio do Departamento de Energia dos EUA e da NSF.<\/p>\n
Como funciona o m\u00e9todo<\/p>\n
Para a pesquisa, foi criada uma base computacional com pares de amostras de cada material: com defeitos e sem defeitos. Em seguida, os autores aplicaram uma t\u00e9cnica de espalhamento de n\u00eautrons para medir frequ\u00eancias vibracionais nos \u00e1tomos dos s\u00f3lidos. A IA aprendeu a medir as concentra\u00e7\u00f5es de dopantes a partir dessa diferen\u00e7a.<\/p>\n
Segundo Cheng, o modelo utiliza mecanismos de aten\u00e7\u00e3o multicanal, similar a abordagens de grandes modelos de IA, para extrair sinais distintos entre materiais com e sem defeitos e prever quais dopantes foram usados e em quais concentra\u00e7\u00f5es. A valida\u00e7\u00e3o ocorreu com dados experimentais de metais usados em eletr\u00f4nica e de um composto supercondutor.<\/p>\n
Embora o m\u00e9todo seja promissor, os autores destacam que a disponibilidade pr\u00e1tica em linhas de produ\u00e7\u00e3o ainda \u00e9 limitada. A t\u00e9cnica exige configura\u00e7\u00f5es espec\u00edficas de espectroscopia de vibra\u00e7\u00e3o que podem ser complexas de reproduzir em QC tradicional. Ainda assim, h\u00e1 expectativa de adapta\u00e7\u00e3o para abordagens mais acess\u00edveis.<\/p>\n
Futuros caminhos incluem adaptar o modelo para dados de espectroscopia Raman, facilitar sua integra\u00e7\u00e3o em controles de qualidade industriais e ampliar a detec\u00e7\u00e3o para defeitos al\u00e9m de pontos, como gr\u00e3os e dislocations. A equipe pretende ampliar a abrang\u00eancia para mais elementos e aplica\u00e7\u00f5es.<\/p>\n","protected":false},"excerpt":{"rendered":"