在材料科学领域，原子级缺陷可以被有意调控，赋予材料新的功能特性。钢铁、半导体和太阳能电池等产品制造中，常引入缺陷以提高强度、控制导电性或优化性能。然而，在不损伤材料的前提下，准确测量缺陷类型和浓度一直面临技术难题。
麻省理工学院的研究团队开发了一种人工智能模型，能够利用非侵入性中子散射技术的数据，对材料中的原子缺陷进行分类和量化。该模型在2000种不同半导体材料上进行了训练，可同时检测多达六种点缺陷，突破了传统技术的局限。这项研究已发表于《Matter》期刊。
第一作者、材料科学与工程系博士候选人Mouyang Cheng表示："现有技术无法在不破坏材料的情况下，以通用和定量的方式准确表征缺陷。对于没有机器学习的传统技术，检测六种不同缺陷是不可想象的。"
研究人员构建了一个覆盖元素周期表56种元素的数据库，通过对比有缺陷和无缺陷样本的中子散射数据，训练机器学习模型识别振动频率差异。该模型采用了类似ChatGPT的多头注意力机制，能预测掺杂剂类型及其浓度。
实验验证显示，该AI模型能测量电子学常用合金和超导材料中的缺陷，浓度检测精度低至0.2%。资深作者、核科学与工程副教授Mingda Li指出："目前检测缺陷就像盲人摸象，每种技术只能看到局部。我们需要更全面的方法，因为理解缺陷才能使材料更有用。"
尽管中子散射技术在实际应用中部署难度较大，但研究团队正计划基于更普及的拉曼光谱数据开发类似模型，并扩展至晶粒、位错等更大尺度特征的检测。这项AI技术为材料缺陷科学提供了新的研究范式，有望提升半导体、微电子及能源材料的制造精度。
出版详情：作者：by Zach Winn, Massachusetts Institute of Technology；标题：《AI-based model measures atomic defects in materials》；发表于：《Matter》(2026)。
