Przejdź do treści

News & analizy

DefectNet z MIT: jak AI czyta defekty atomowe z widm drgań

Zaktualizowano: Autor: Andrzej Niemiec9 min czytania

DefectNet analizuje fononową gęstość stanów, czyli rozkład drgań atomów w sieci krystalicznej. Na tej podstawie wskazuje, jaki obcy pierwiastek zajął miejsce atomu macierzystego i w jakim stężeniu występuje. Model nie szuka pęknięć ani wtrąceń, tylko defektów podstawieniowych, i pracuje na widmach, a nie na obrazach z mikroskopu [1][2].
DefectNet z MIT: jak AI czyta defekty atomowe z widm drgań
Spis treści
  1. Czym jest DefectNet i jakie defekty potrafi rozpoznać?
  2. Dlaczego model potrzebuje widm drgań, a nie zdjęć z mikroskopu?
  3. Czy DefectNet wykrywa pęknięcia w stopach tytanu?
  4. Co DefectNet zmienia w praktyce badawczej?
  5. Jakie są ograniczenia DefectNet?
  6. Co daje model dziś, a co ma dać po rozszerzeniu?
  7. Co to znaczy dla polskiego przemysłu?
  8. Od czego zacząć w firmie, która chce wykorzystać AI w materiałach?
  9. Najczęstsze pytania
  10. Źródła

Czym jest DefectNet i jakie defekty potrafi rozpoznać?

DefectNet to model uczenia maszynowego opisany przez zespół z MIT. Rozpoznaje rodzaj i stężenie podstawieniowych defektów punktowych na podstawie fononowej gęstości stanów, czyli informacji o drganiach atomów. Defekt podstawieniowy powstaje wtedy, gdy atom obcego pierwiastka zajmuje miejsce atomu macierzystego w sieci krystalicznej [1][2].

Skala treningu jest duża. Model uczono na ponad 16 tys. symulowanych widm, pochodzących z 2 tys. materiałów półprzewodnikowych i obejmujących 56 pierwiastków [2]. W testach rozróżniał do sześciu współistniejących rodzajów domieszek, przy stężeniach od około 0,2 proc. [2]. To wyniki laboratoryjne, a nie parametry produktu komercyjnego.

Dlaczego model potrzebuje widm drgań, a nie zdjęć z mikroskopu?

Obecność domieszki zmienia rozkład drgań sieci, więc widmo fononowe niesie informację o tym, jaki atom i w jakim stężeniu zaburza strukturę. Model uczy się tego związku na symulacjach, a następnie odtwarza go z rzeczywistego pomiaru [2].

Walidację przeprowadzono na danych z nieelastycznego rozpraszania neutronów dla stopów SiGe oraz domieszkowanego MgB₂. To dwie konkretne klasy materiałów, a nie uniwersalny zestaw przemysłowy [2]. Praca ukazała się w czasopiśmie „Matter” 30 marca 2026 r., a preprint był dostępny od 31 maja 2025 r. [1][3]. W obiegu pojawiają się różne daty tego badania, bo preprint i publikacja powstały w odstępie kilku miesięcy.

Czy DefectNet wykrywa pęknięcia w stopach tytanu?

Źródła nie potwierdzają takiego zastosowania. Opisany model dotyczy podstawieniowych defektów punktowych, czyli domieszek, a nie makroskopowych ani mikroskopowych pęknięć w gotowym elemencie. Autorzy zapowiadają rozszerzenie pracy na większe struktury, między innymi ziarna i dyslokacje [1][3].

Nie ma też potwierdzenia, by model wdrażano w polskim przemyśle lub w komponentach turbin wiatrowych. Materiały MIT wskazują potencjalne zastosowania w półprzewodnikach, bateriach, ogniwach słonecznych i materiałach energetycznych, ale nie opisują wdrożenia u producenta [1].

Co DefectNet zmienia w praktyce badawczej?

Defekty nie zawsze są wadą. Mogą być wprowadzane celowo, aby zmieniać wytrzymałość, przewodnictwo elektryczne, transport ciepła i właściwości konwersji energii [1]. Model, który potrafi odczytać stężenie domieszki z widma, skraca pętlę między symulacją a pomiarem: pozwala sprawdzić, czy otrzymany materiał ma założony skład, bez projektowania nowej analizy dla każdej próbki [2].

To kierunek bliski temu, o czym piszemy w przewodniku po praktycznych zastosowaniach AI: wartość pojawia się tam, gdzie model odpowiada na wąskie pytanie pomiarowe, a nie tam, gdzie zastępuje cały proces technologiczny.

Jakie są ograniczenia DefectNet?

Pierwsze ograniczenie jest sprzętowe. Metoda wymaga danych z pomiarów neutronowych, których dostępność jest ograniczona, i nie jest gotowym systemem kontroli jakości możliwym do zainstalowania na linii produkcyjnej [1]. MIT zaznacza, że obecne podejście jest trudne do szybkiego zastosowania w kontroli produkcji [1].

Drugie ograniczenie dotyczy zakresu. Model obejmuje defekty podstawieniowe i domieszki, a ziarna oraz dyslokacje są dopiero planowanym rozszerzeniem [3]. Trzecie dotyczy statusu: to model badawczy opisany w publikacji, nie produkt [1][2].

Co daje model dziś, a co ma dać po rozszerzeniu?

KryteriumDefectNet obecnieZapowiadane rozszerzenie
Dane wejściowewidma fononowe z nieelastycznego rozpraszania neutronów [2]widma Ramana [3]
Zakres defektówpodstawieniowe defekty punktowe, do sześciu domieszek [2]ziarna i dyslokacje [3]
Dostępność pomiaruograniczona, wymaga źródła neutronów [1]spektroskopia Ramana, szerzej dostępna [3]
Statusmodel badawczy po walidacji na SiGe i MgB₂ [2]plan badawczy, bez wdrożenia [3]

Co to znaczy dla polskiego przemysłu?

Polski przemysł dopiero wchodzi w etap wdrażania AI. Tylko 6 proc. firm przemysłowych wykorzystuje AI do optymalizacji procesów, choć dla co trzeciej firmy to priorytet na najbliższe trzy lata [4]. Szeroki opis tej transformacji, z naciskiem na dane i dług technologiczny, publikuje Cyfrowa RP [5].

Praktyczne omówienia zastosowań AI w produkcji, w tym materiały dla małych i średnich firm, zbiera PARP [6]. O robotyzacji i własnych technologiach jako kolejnym etapie pisze Wprost [7]. O tym, gdzie AI w polskim przemyśle daje efekt, a gdzie jest modą, pisze portal przemysl-info [8].

Dla firmy produkcyjnej sensowna kolejność jest inna niż zakup modelu. Najpierw inwentaryzacja danych pomiarowych i decyzja, które pytanie ma rozstrzygać model. Potem pilotaż z ośrodkiem, który ma dostęp do potrzebnej aparatury. Na końcu wdrożenie w kontroli jakości. DefectNet jest przykładem wąskiego modelu pomiarowego, a nie platformy do wszystkiego, i takie podejście pasuje do firm z powtarzalnym pomiarem, nie do tych, które szukają gotowego produktu do kontroli wizyjnej.

Od czego zacząć w firmie, która chce wykorzystać AI w materiałach?

Polecamy zacząć od audytu danych: jakie widma, obrazy i wyniki prób wytrzymałościowych firma już zbiera i czy da się je powiązać z konkretną partią materiału. Drugi krok to wybór jednego pytania o wartości biznesowej, na przykład kontrola stężenia domieszki w dostawie stopu. Trzeci krok to pilotaż z jednostką badawczą, która ma dostęp do potrzebnej aparatury, i porównanie wyniku z metodą stosowaną obecnie.

Modele tej klasy nie zastępują pomiaru, tylko go interpretują. To rozróżnienie ma znaczenie przy lekturze doniesień o AI w przemyśle, także tych zestawiających benchmarki, gdzie łatwo pomylić wynik laboratoryjny z wdrożeniem produkcyjnym.

Najczęstsze pytania

Czym jest DefectNet?

DefectNet to model AI z MIT, który rozpoznaje rodzaj i stężenie podstawieniowych defektów punktowych na podstawie fononowej gęstości stanów, czyli informacji o drganiach atomów. Trenowano go na symulowanych widmach, a walidowano na danych z nieelastycznego rozpraszania neutronów dla stopów SiGe i domieszkowanego MgB₂. Model jest narzędziem badawczym, nie produktem ani systemem kontroli jakości [1][2].

Czy DefectNet potrafi wykryć pęknięcie w metalu?

Źródła tego nie potwierdzają. Model obejmuje podstawieniowe defekty punktowe, czyli domieszki, a nie pęknięcia w gotowym elemencie. Rozszerzenie na większe struktury, takie jak ziarna i dyslokacje, jest dopiero zapowiadane. Nie ma też doniesień o wdrożeniu modelu w polskim przemyśle lub w komponentach turbin wiatrowych [1][3].

Kiedy opublikowano badanie DefectNet?

Artykuł ukazał się w czasopiśmie „Matter” 30 marca 2026 r., a preprint był dostępny od 31 maja 2025 r. Ta różnica dat bywa źródłem nieporozumień, bo oba terminy dotyczą tego samego badania, ale różnych etapów publikacji. Model opisano w pracy naukowej, a nie w komunikacie o produkcie [1][3].

Czy DefectNet jest dostępny komercyjnie?

Nie ma na to dowodów w źródłach. Praca opisuje model badawczy, a MIT wskazuje, że metoda wymaga pomiarów neutronowych o ograniczonej dostępności i jest trudna do szybkiego zastosowania w kontroli produkcji. Zespół planuje wersję opartą na spektroskopii Ramana, ale to zapowiedź dalszych badań, a nie gotowe narzędzie dla fabryki [1][3].

Źródła

  1. MIT researchers use AI to uncover atomic defects in materials (MIT News, 2026)
  2. A Foundation Model for Non-Destructive Defect Identification from Vibrational Spectra (arXiv, 2025)
  3. A Foundation Model for Non-Destructive Defect Identification from Vibrational Spectra — abstrakt (arXiv, 2025)
  4. AI w polskim przemyśle. Raporty ABB i Tieto pokazują, gdzie leży problem (Cyfrowa RP, 2026)
  5. Inteligentna transformacja polskiego przemysłu: jak AI zmienia oblicze produkcji (Magazyn Przemysłowy, 2026)
  6. Zastosowanie AI w przemyśle (PARP — Centrum Rozwoju MŚP, 2026)
  7. AI, robotyzacja i własne technologie. Tak może zmienić się polski przemysł (Wprost, 2026)
  8. AI w przemyśle w Polsce: gdzie daje efekt, a gdzie jest modą (przemysl-info.com.pl, 2026)
AN
O autorze
Andrzej Niemiec

Fanatyk nowych technologii i specjalista w zakresie sztucznej inteligencji.

Jak powstają teksty: Polityka AI · O redakcji