Forskare vid Nagoya University i Japan har använt artificiell intelligens för att upptäcka en ny metod för att förstå små defekter som kallas dislokationer i polykristallina material, material som ofta används i informationsutrustning, solceller och elektroniska enheter, som kan minska effektiviteten hos sådana enheter. Resultaten publicerades i tidskriften Advanced Materials .
Nästan varje enhet som vi använder i våra moderna liv har en polykristallkomponent. Från din smartphone till din dator till metallerna och keramiken i din bil. Trots detta är polykristallina material svåra att använda på grund av sina komplexa strukturer. Tillsammans med deras sammansättning påverkas prestandan hos ett polykristallint material av dess komplexa mikrostruktur, dislokationer och föroreningar.
Ett stort problem för att använda polykristaller inom industrin är bildandet av små kristalldefekter orsakade av stress och temperaturförändringar. Dessa är kända som dislokationer och kan störa det vanliga arrangemanget av atomer i gittret, vilket påverkar elektrisk ledning och övergripande prestanda. För att minska risken för fel i enheter som använder polykristallina material är det viktigt att förstå bildandet av dessa dislokationer.
Ett team av forskare vid Nagoya University, ledd av professor Noritaka Usami och inklusive lektor Tatsuya Yokoi och docent Hiroaki Kudo och medarbetare, använde en ny AI för att analysera bilddata av ett material som ofta används i solpaneler, kallat polykristallint kisel. AI skapade en 3D-modell i virtuella rymden, som hjälpte teamet att identifiera områden där dislokationskluster påverkade materialets prestanda.
Efter att ha identifierat områdena för dislokationsklustren använde forskarna elektronmikroskopi och teoretiska beräkningar för att förstå hur dessa områden bildades. De avslöjade spänningsfördelning i kristallgittret och hittade trappliknande strukturer vid gränserna mellan kristallkornen. Dessa strukturer verkar orsaka dislokationer under kristalltillväxt. "Vi hittade en speciell nanostruktur i kristallerna förknippade med dislokationer i polykristallina strukturer," sa Usami.
Tillsammans med dess praktiska implikationer kan denna studie ha viktiga konsekvenser för vetenskapen om kristalltillväxt och deformation också. Haasen-Alexander-Sumino (HAS)-modellen är en inflytelserik teoretisk ram som används för att förstå beteendet hos dislokationer i material. Men Usami tror att de har upptäckt dislokationer som Haasen-Alexander-Sumino-modellen missade.
En annan överraskning var att följa strax efter, som när teamet beräknade arrangemanget av atomerna i dessa strukturer, fann de oväntat stora dragbindningsspänningar längs kanten av de trappliknande strukturerna som utlöste dislokationsgenerering.
Som förklarat av Usami, "Som experter som har studerat detta i flera år, blev vi förvånade och glada över att äntligen se bevis på närvaron av dislokationer i dessa strukturer. Det tyder på att vi kan kontrollera bildandet av dislokationskluster genom att kontrollera riktningen i som gränsen sprider."
"Genom att extrahera och analysera regionerna i nanoskala genom polykristallina materialinformatik, som kombinerar experiment, teori och AI, gjorde vi detta klargörande av fenomen i komplexa polykristallina material möjligt för första gången," fortsatte Usami.
"Denna forskning belyser vägen mot att etablera universella riktlinjer för högpresterande material och förväntas bidra till skapandet av innovativa polykristallina material. Den potentiella effekten av denna forskning sträcker sig bortom solceller till allt från keramik till halvledare. Polykristallina material används i stor utsträckning. i samhället, och den förbättrade prestandan för dessa material har potential att revolutionera samhället."
Mer information: Kenta Yamakoshi et al, Multicrystalline Informatics Applied to Multicrystalline Silicon för att reda ut den mikroskopiska grundorsaken till dislokationsgenerering, Avancerat material (2023). DOI:10.1002/adma.202308599
Journalinformation: Avancerat material
Tillhandahålls av Nagoya University
