MIT har byggt en AI som hittar osynliga fel i mikrochip på atomnivå utan att förstöra dem. Upptäckten kan ge billigare och bättre teknik.
Forskare vid Massachusetts Institute of Technology (MIT) har utvecklat en AI-modell som kan hitta och mäta defekter på atomnivå inuti material. Till skillnad från traditionella metoder behöver materialet varken skäras upp eller förstöras under processen. Modellen kan identifiera upp till sex olika typer av brister samtidigt.
Enligt Hyper.ai tränades systemet på en databas med 2 000 olika halvledarmaterial. Arkitekturen bygger på samma "multihead attention"-mekanism som driver dagens stora språkmodeller. Genom att analysera data från en metod som kallas neutronspridning kan AI:n upptäcka minimala variationer i hur atomer vibrerar inuti testobjektet.
Tekniken är extremt känslig och kan upptäcka felkoncentrationer på så lite som 0,2 procent. Huvudförfattaren Mouyang Cheng förklarar att konventionella metoder oftast bara kan titta på en specifik typ av skada i taget. "Att upptäcka sex olika defekter utan maskininlärning är otänkbart", säger han till universitetets egen nyhetssajt.
I biologi är cellskador oftast dåliga, men inom materialvetenskap används defekter medvetet för att ge stål, batterier och processorer helt nya egenskaper, exempelvis högre ledningsförmåga. Att nu snabbt kunna kvalitetskontrollera avancerade komponenter utan att förstöra dem kan sänka produktionskostnaderna för nästa generations elektronik och elbilar avsevärt, vilket i slutändan pressar priserna för konsumenter.
Studien har publicerats i den vetenskapliga tidskriften Matter. Nästa steg för forskarlaget blir att testa systemet på ännu fler materialklasser för att förbereda tekniken för storskalig industritillverkning.
Läs också: