Внутри кристалла алюминия атомы выстроены в строгую периодическую решётку, подобно кирпичной кладке. Однако в реальных материалах эта идеальная структура нарушается: атомные ряды могут обрываться, не доходя до границы кристалла, образуя линейные дефекты — дислокации. Эти дефекты определяют механические свойства металла: прочность, пластичность, поведение под нагрузкой. Прямое наблюдение дислокаций — сложная задача, требующая рентгеновской микроскопии, которая регистрирует слабые дифракционные отражения от искажённых атомных плоскостей, и последующей интерпретации узоров тёмных линий опытным специалистом.

Теперь эту задачу пытается решить нейросеть. Модель обучена на тысячах синтетических изображений, где одиночные дислокации в алюминии просвечены рентгеновскими лучами под разными углами. В архитектуру сети заранее заложено знание симметрии кристаллической решётки — набор правил, определяющих возможные векторы сдвига атомов. Благодаря этому модель не просто запоминает картинки, а «понимает» физически допустимые варианты, что повышает её обобщающую способность. На тестовых данных, не участвовавших в обучении, точность определения типа дислокации составила 93%.

На реальном образце с так называемым поперечным скольжением (когда дислокация меняет плоскость движения) сеть правильно определила тип сдвига в 72,7% случаев. Это ниже, чем на симуляциях, но уже сопоставимо с ручной работой человека, который часами сравнивает снимок с расчётными шаблонами. Авторы считают, что обучение на симуляциях с физическими ограничениями — верный путь к полностью автоматическому анализу дефектов в материалах.

Пока сеть умеет работать только с одиночными дислокациями в алюминии, но тот же подход можно перенести на другие металлы и сплавы. Это ускорит проверку деталей для авиации, реакторов и микроэлектроники, где каждый дефект на счету.