日本東北大學開發出一項可預測材料內部潛藏缺陷的人工智慧(AI)技術。此技術可根據結晶結構資訊，精準預測非金屬材料中的缺陷形成能(Defect Formation Energy)，進而高精度掌握會影響導電性、光吸收特性、摻雜可行性及材料穩定性的點缺陷。研究團隊已將此預測技術應用於約2,000種氧化物材料，並成功篩選、發現具潛力的p型半導體材料，其中包含可望應用於透明導電氧化物的候選材料。
所謂「點缺陷」是指材料中不可避免存在的原子尺度局部結構擾動，主要包括晶格中原子缺失所形成的「空孔」、原子被其他元素取代的「置換缺陷」，以及多餘原子進入晶格所形成的「間隙缺陷」。由於點缺陷會隨電荷狀態不同而呈現差異，過去必須針對不同電荷分別建立模型，且缺陷形成能的計算往往須耗時數天，成為材料設計與篩選的一大瓶頸。
東北大學則採用將物質或分子視為由節點與邊構成之圖結構的圖神經網路(Graph Neural Network; GNN)技術，將結晶結構以圖的形式表現，實現高精度的缺陷形成能推定。研究中以統一的尺度描述不同電荷狀態，並將該資訊與結晶結構一併納入AI模型進行學習，使系統能一次性預測多種缺陷狀態下的形成能。藉由妥善處理電荷資訊，原本須耗費大量計算資源的缺陷形成能計算，已可在極短時間內完成。
在p型半導體材料的探索方面，由於氧空孔是阻礙氧化物p型化的主要因素，東北大學首先利用AI模型篩選出不易生成氧空孔的氧化物材料。接著進一步排除含有有害元素或稀有元素的材料。此外，透過量子力學計算取得光吸收係數與電洞有效質量，最終成功探索出具高度可見光吸收能力、適合作為太陽電池光吸收層的材料，以及兼具高透明性與p型傳導特性之透明導電氧化物等潛力材料。