晶体是许多机器的重要组成部分。工业中使用的常见材料含有多晶成分，包括金属合金、陶瓷和半导体。由于多晶由许多晶体组成，因此具有复杂的微观结构，并且其性能根据晶粒的取向而变化很大。这对于太阳能电池、智能手机和计算机中使用的硅晶体尤其重要。
日本名古屋大学的研究团队建立了一种快速、低成本且准确的技术，通过光学图像和机器学习来测量多晶材料中的晶体取向。
该研究以「A machine learning-based prediction of crystal orientations for multicrystalline materials」为题，于 2023 年 24 日发布在《APL Machine Learning》。
多晶材料是由多个不同尺寸、形状和结构的小晶粒组成的固体。它们包含将每个晶粒与另一个晶粒分开的晶界，导致晶体取向的突然变化。晶粒通常具有随机的晶体取向，但在特定的生长和加工条件下，它们可能是定向的。大多数无机固体，包括金属、合金和许多陶瓷，通常是多晶的，晶界或晶体取向的分布是决定材料性能的重要因素之一。高晶界密度会增加金属的机械强度和硬度，而众所周知，晶体材料往往会在晶界处破裂，因为在滑动变形受到限制的晶界处形成并连接着空隙。
多晶材料的丰富性、可承受性和不同方面使其成为各种应用的广泛选择的材料。多晶金刚石具有较高的机械强度，用于抛光垫，而四方氧化锆多晶（TZP）因其刚度、耐磨性和耐化学性而用于医疗假体。增加晶界密度的晶粒细化是增强强度的常用技术，为广泛的应用铺平了道路。至于太阳能电池，多年来，由于多晶材料（例如硅、铜铟硒化物、碲化镉和钙钛矿）种类的增加，电池的电性能得到了改善。
尽管如此，但基于这些材料的器件性能往往受到高浓度缺陷的限制，这些缺陷会引起复合并降低转换效率。因此，有必要揭示这些缺陷是如何产生并控制它们的。
该领域的重要研究目标是阐明多晶硅中取向分布与位错簇的产生和行为之间的关系。位错簇具有高达 10^7 cm^−2 的高浓度位错，充当光生载流子的复合中心。通常，它们在硅锭铸造过程中由于应变能的松弛而在晶界附近形成，并且随着晶体生长而增加，它们在晶体生长后期占主导地位。
许多晶体特征，包括取向分布，被认为会影响其存在，但其关系尚未阐明。晶体取向通常通过电子背散射衍射（EBSD）或劳厄扫描仪方法来测量。这些方法具有较高的分辨率和精度，但在测量速度和面积方面落后。其他技术承认晶体取向和反射率之间的关系，利用反射图案来确定取向，同时面临开发精确拟合方法的挑战。
「为了获得可在工业中有效使用的多晶材料，需要控制和测量晶粒取向分布。」日本名古屋大学 Noritaka Usami 教授说，「然而，测量大面积样品所需的昂贵设备和当前技术阻碍了这一点。」
在这里，日本名古屋大学 Noritaka Usami 团队提出通过光学成像和机器学习快速准确地测量晶体取向。机器学习已广泛用于处理图像、视频、语音和文本。简单的卷积神经网络已用于将猫与狗进行分类或进行文本识别，而强大的深度网络已允许发现新的稳定材料。有效描述符和学习框架的结合可以对材料特性进行筛选，并帮助创建与测试候选材料相关的数据库。
机器学习处理大量复杂数据的能力适合解决多个光学特征和晶体取向之间的关系，因为传统的拟合方法可能无法充分再现光学特征。该技术是通过用于拍摄样品高分辨率图像的自制设备和基于机器学习的模型来实现的，该模型用于使用从纹理化多晶硅片的光学图像中获取的光反射图案来估计晶体取向。在各种机器学习技术中，采用了长短期记忆（LSTM）神经网络，它是递归神经网络（RNN）的一种。
研究人员使用成对的光反射图案和每个颗粒的正确方向来训练长短期记忆神经网络，成功预测方向，误差中位数为 8.61°。该模型通过从不同入射光角度获取的不同数据和数据增强进行了改进。当在不同的入射角上进行训练时，该模型能够估计不同的方向。这与入射光角度和晶体表面刻面的几何结构有关。某些方向的失败被认为可以通过从不同入射角度获取的补充数据来补充。
结合多个入射角的数据，该团队获得了 4.35° 的误差中值。数据增强已成功执行，误差又减少了 35%。该技术可以在不到 8 分钟内提供 15 × 15 cm^2 尺寸晶圆的晶体取向，而电子背散射衍射和劳厄扫描仪等基线技术可能需要 10 个小时以上。
「单次测量所需的时间约为 1.5 小时，用于拍摄光学照片、训练机器学习模型和预测方向，这比传统技术大约需要 14 小时要快得多。」Usami 说， 「它还能够测量传统方法无法实现的大面积材料。」
Usami 对该技术在工业中的应用寄予厚望。「这是一项将彻底改变材料开发的技术。」Usami 说， 「这项研究面向所有开发多晶材料的研究人员和工程师。可以制造多晶材料的取向分析系统，该系统打包了图像数据收集和基于机器学习的晶体取向预测模型。我们认为许多处理多晶材料的公司都会安装此类设备。」
论文链接：https://pubs.aip.org/aip/aml/article/1/2/026113/2892282/A-machine-learning-based-prediction-of-crystal
相关报道：https://techxplore.com/news/2023-07-ai-based-technique-crystal-efficiency-electronic.html
