Внутри куска алюминия атомы выстроены ровными рядами, как кирпичи в стене. Но иногда один ряд кончается, не дойдя до края, — и в кристалле появляется «ступенька», которую физики называют дислокацией. Именно такие дефекты определяют, насколько металл прочный, пластичный и как поведёт себя под нагрузкой. Увидеть их напрямую сложно: нужен рентгеновский микроскоп, который ловит слабые отражения от искажённых атомных плоскостей, и опытный глаз, чтобы по узору тёмных линий понять, куда именно сдвинут слой.

Теперь эту работу пробует делать нейросеть. Её обучили на тысячах компьютерных картинок, где одиночные дислокации в алюминии просвечены рентгеном под разными углами. В сеть заранее вложили знание симметрии кристаллической решётки — то есть правила, по которым атомы вообще могут сдвигаться. Благодаря этому модель не просто запоминает картинки, а «понимает», какие варианты сдвига физически возможны. На проверочных данных, которых она не видела, точность распознавания 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 меньше, чем на симуляциях, но уже сравнимо с ручной работой человека, который тратит часы на сравнение снимка 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.