MIT 연구원들, AI를 사용해 재료의 원자 결함을 밝혀내다
Source: MIT News - AI
번역하려는 전체 텍스트를 제공해 주시면, 요청하신 대로 한국어로 번역해 드리겠습니다.
결함: 문제에서 강력한 도구로
생물학에서는 결함이 일반적으로 나쁜 것으로 여겨집니다. 그러나 재료 과학에서는 결함을 의도적으로 조정하여 재료에 유용한 새로운 특성을 부여할 수 있습니다. 오늘날 원자 규모의 결함은 강도 향상, 전기 전도도 제어, 성능 최적화 등을 위해 강철, 반도체, 태양전지와 같은 제품의 제조 과정에서 신중하게 도입됩니다.
결함이 강력한 도구가 되었음에도 불구하고, 최종 제품에서 다양한 유형의 결함과 그 농도를 정확히 측정하는 일은 특히 재료를 절단하거나 손상시키지 않고는 어려웠습니다. 어떤 결함이 존재하는지 모르면 엔지니어는 성능이 저하되거나 의도치 않은 특성을 가진 제품을 만들 위험에 처합니다.
이제 MIT 연구진은 비침습 중성자 산란 기술 데이터를 활용해 특정 결함을 분류하고 정량화할 수 있는 AI 모델을 구축했습니다. 2,000개의 서로 다른 반도체 재료를 학습시킨 이 모델은 재료 내에서 최대 여섯 종류의 점 결함을 동시에 감지할 수 있습니다—이는 기존 기술만으로는 불가능한 일입니다.
“기존 기술로는 재료를 파괴하지 않고 보편적이고 정량적인 방식으로 결함을 정확히 특성화할 수 없습니다.”라고 재료 과학 및 공학부 박사과정 학생이자 주요 저자인 Mouyang Cheng이 말했습니다.
“머신러닝이 없는 전통적인 기술로는 여섯 가지 다른 결함을 감지하는 것이 상상도 할 수 없습니다. 다른 방법으로는 할 수 없는 일입니다.”
연구진은 이 모델이 반도체, 마이크로 전자공학, 태양전지, 배터리 재료와 같은 제품에서 결함을 보다 정밀하게 활용하는 첫걸음이라고 말합니다.
“현재 결함을 감지하는 것은 코끼리를 보는 속담과 같습니다: 각 기술은 코, 몸통, 혹은 귀 등 일부만 볼 수 있습니다. 하지만 전체 코끼리를 보는 것은 매우 어렵습니다. 우리는 결함의 전체 모습을 파악할 더 나은 방법이 필요합니다. 왜냐하면 결함을 이해해야 재료를 더 유용하게 만들 수 있기 때문입니다.” – Mingda Li, 공동 저자이자 원자력 과학 및 공학 부교수
이 논문에는 Cheng과 Li 외에도 박사후 연구원 Chu‑Liang Fu, 학부 연구원 Bowen Yu, 석사 과정 학생 Eunbi Rha, 박사 과정 학생 Abhijatmedhi Chotrattanapituk ’21, 그리고 오크리지 국립 연구소 직원 Douglas L. Abernathy PhD ’93와 Yongqiang Cheng이 참여했습니다. 논문은 오늘 Matter 저널에 게재되었습니다.
결함 감지
제조업체들은 재료의 결함을 조정하는 데 능숙해졌지만, 완제품에서 결함의 정확한 양을 측정하는 일은 여전히 대부분 추측에 의존하고 있습니다.
“엔지니어들은 도핑과 같은 방법으로 결함을 도입할 수 있는 다양한 방법이 있지만, 어떤 종류의 결함을 만들었는지, 그리고 그 농도가 얼마인지와 같은 기본적인 질문에 여전히 어려움을 겪고 있습니다,” 라고 Fu는 말합니다.
“때때로 산화와 같은 원치 않는 결함도 발생합니다. 합성 과정에서 원치 않는 결함이나 불순물을 도입했는지 항상 알 수 없습니다. 이는 오래된 과제입니다.”
여러 결함이 동시에 존재하는 경우가 많기 때문에, 각 특성 분석 방법은 전체 그림의 일부만 포착합니다:
- X‑ray diffraction(X선 회절)과 positron annihilation(양전자 소멸)은 일부 결함 유형만을 특성화합니다.
- Raman spectroscopy(라만 분광법)는 결함 유형을 구분할 수 있지만 농도를 직접 추정할 수는 없습니다.
- Transmission electron microscopy (TEM)(투과 전자 현미경)는 스캔을 위해 샘플을 얇게 절단해야 합니다.
이전 연구에서 Li와 공동 연구진은 실험적 분광 데이터에 머신러닝을 적용하여 결정성 물질을 특성화했습니다. 이번 논문에서는 그 접근 방식을 결함에 확대 적용했습니다.
- 데이터베이스 구축 – 팀은 2,000개의 반도체 재료에 대한 계산 데이터베이스를 구축했습니다. 각 재료마다 도핑된(결함이 있는) 샘플과 원본(결함 없는) 샘플 한 쌍을 생성했습니다.
- 중성자 산란 측정 – 고체 내 원자의 진동 주파수를 측정하는 중성자 산란 기법을 사용했습니다.
- 모델 학습 – 얻어진 스펙트럼을 이용해 머신러닝 모델을 학습시켰습니다.
“그 결과 주기율표의 56개 원소를 포괄하는 기본 모델이 구축되었습니다,” 라고 Cheng이 설명합니다. “이 모델은 ChatGPT가 사용하는 것과 동일한 멀티‑헤드 어텐션 메커니즘을 활용합니다. 결함이 있는 재료와 원본 재료의 스펙트럼 차이를 추출하여 어떤 도펀트가 사용되었는지와 그 농도를 예측합니다.”
실험 데이터에 대한 미세 조정 및 검증 후, 모델은 다음을 수행할 수 있었습니다:
- 일반적으로 사용되는 전자 합금에서 결함 농도를 측정
- 별도의 초전도체 재료에서 결함 농도를 측정
연구자들이 여러 번 도핑하여 여러 점 결함을 도입했을 때, 모델은 동시에 최대 여섯 개의 결함을 성공적으로 예측했으며, 농도는 **0.2 %**까지 낮았습니다.
“우리는 정말 놀랐습니다. 이렇게 잘 작동할 줄은 몰랐어요,” 라고 Cheng이 말합니다. “두 종류의 결함에서 나오는 혼합 신호를 해독하는 것 자체가 매우 어려운데, 여섯 개라니 더욱 그렇습니다.”
A Model Approach
일반적으로 반도체 제조업체는 생산 라인을 떠나는 제품 중 소량에 대해 침습적인 테스트를 수행합니다. 이 느린 과정은 모든 결함을 감지할 수 있는 능력을 제한합니다.
“현재 사람들은 주로 재료에 존재하는 결함의 양을 추정하고 있습니다,” 라고 유는 말합니다. “각 개별 기술을 사용해 추정치를 확인하는 일은 고된 작업이며, 그 기술들은 어느 한 알갱이에서만 국소적인 정보를 제공합니다. 이는 사람들이 재료에 어떤 결함이 있다고 생각하는지에 대한 오해를 낳습니다.”
연구진은 중성자 기반 진동 분광법이 아직 대부분의 기업에 대해 빠른 온라인 품질 관리 도구가 아니라는 점을 인정합니다.
“이 방법은 매우 강력하지만, 이용 가능성이 제한적입니다,” 라는 라는 말합니다. “진동 스펙트라는 간단한 …” (인용문은 원본 출처에서 계속됩니다)
Takeaway
MIT 팀의 AI 모델은 비파괴 중성자 산란 데이터와 최신 머신러닝을 결합하면 반도체 내 다중 점 결함을 정량적으로 식별할 수 있음을 보여줍니다. 이는 궁극적으로 다양한 첨단 소재에서 보다 정밀한 결함 엔지니어링을 가능하게 할 수 있는 역량입니다.
AI‑Driven Defect Detection: Future Directions
리(Li)는 기업들이 이미 이 접근법에 관심을 보였으며, 널리 사용되는 빛의 산란을 측정하는 라만 분광법과도 언제 적용될 수 있는지 물었다고 말합니다. 연구진의 다음 단계는 라만 분광 데이터에 기반한 유사 모델을 훈련시키는 것입니다. 또한 점 결함보다 큰 특징, 예를 들어 결정립이나 전위와 같은 구조를 감지하도록 접근법을 확장할 계획입니다.
“인간의 눈으로 볼 때, 이러한 결함 신호는 본질적으로 동일하게 보일 것입니다,” 라고 리는 말합니다. “하지만 AI의 패턴 인식 능력은 서로 다른 신호를 구분하고 실제 상황을 파악할 정도로 충분히 뛰어납니다. 결함은 양날의 검과 같습니다. 좋은 결함도 많지만, 너무 많아지면 성능이 저하될 수 있습니다. 이는 결함 과학에 새로운 패러다임을 열어줍니다.”
현재로서는, 연구진은 이번 연구가 결함 데이터를 해석하는 데 있어 AI 기법의 고유한 장점을 입증한다고 믿고 있습니다.
Funding
작업은 부분적으로 다음 기관의 지원을 받았습니다:
- 에너지부
- 국립 과학 재단