MIT 연구원들, AI를 사용해 재료의 원자 결함을 밝혀내다

Source: MIT News - AI

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 돕기 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 저조하거나 의도치 않은 특성을 가진 제품을 만들 위험에 처하게 됩니다.

이제 MIT 연구진은 비침습 중성자 산란 기법 데이터를 활용해 특정 결함을 분류하고 정량화할 수 있는 AI 모델을 구축했습니다. 2,000개의 서로 다른 반도체 재료를 학습한 이 모델은 한 번에 최대 여섯 종류의 점 결함을 동시에 감지할 수 있습니다—이는 기존 기술만으로는 불가능한 일입니다.

“기존 기술로는 재료를 파괴하지 않고 결함을 보편적이고 정량적으로 정확히 특성화할 수 없습니다.”라고 재료과학공학부 박사과정 학생이자 본 연구의 주요 저자인 Mouyang Cheng이 말했습니다.
“머신러닝이 없는 기존 기술로는 여섯 가지 다른 결함을 감지하는 것은 상상도 할 수 없는 일입니다. 다른 방법으로는 절대 할 수 없는 일이지요.”

연구진은 이 모델이 반도체, 마이크로 전자소자, 태양전지, 배터리 재료와 같은 제품에서 결함을 보다 정밀하게 활용하는 첫 걸음이라고 말합니다.

“현재 결함을 감지하는 것은 코끼리를 보는 속담과 같습니다: 각 기술이 코끼리의 일부분만을 볼 수 있죠. 어떤 기술은 코만, 또 다른 기술은 코나 귀를 보게 됩니다. 하지만 코끼리 전체를 보는 것은 매우 어렵습니다. 우리는 결함의 전체 모습을 파악할 더 나은 방법이 필요합니다. 왜냐하면 재료를 더 유용하게 만들기 위해서는 결함을 이해해야 하기 때문이죠.” – Mingda Li, 공동 저자이자 원자력과학공학 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.

paper

결함 감지

제조업체들은 재료의 결함을 조정하는 데 능숙해졌지만, 완제품에서 결함의 정확한 양을 측정하는 것은 여전히 추측에 가깝다.

“엔지니어들은 도핑과 같은 다양한 방법으로 결함을 도입할 수 있지만, 어떤 종류의 결함을 만들었는지, 그리고 어떤 농도로 존재하는지와 같은 기본적인 질문에 여전히 어려움을 겪고 있다”고 Fu는 말한다.
“때때로 산화와 같은 원하지 않는 결함도 발생한다. 합성 과정에서 원하지 않는 결함이나 불순물을 도입했는지 항상 알 수는 없다. 이것은 오래된 과제이다.”

여러 결함이 동시에 존재하기 때문에, 각 특성화 방법은 전체 그림의 일부만 포착한다:

• X‑ray 회절과 양전자 소멸은 일부 결함 유형만을 특성화한다.
• 라만 분광법은 결함 유형을 구분할 수 있지만 농도를 직접 추정할 수는 없다.
• **투과 전자 현미경(TEM)**은 스캔을 위해 시료를 얇게 절단해야 한다.

이전 연구에서 Li와 공동 연구자들은 실험적 분광 데이터에 머신러닝을 적용해 결정질 물질을 특성화했다. 이번 논문에서는 그 접근법을 결함에 확대 적용했다.

1. 데이터베이스 구축 – 팀은 2,000개의 반도체 재료에 대한 계산 데이터베이스를 만들었다. 각 재료마다 두 개의 샘플을 생성했는데, 하나는 도핑된(결함이 있는) 샘플이고 다른 하나는 원본(결함 없는) 샘플이다.
2. 중성자 산란 측정 – 고체 내 원자의 진동 주파수를 측정하는 중성자 산란 기술을 사용했다.
3. 모델 학습 – 얻어진 스펙트럼을 이용해 머신러닝 모델을 학습시켰다.

“그 결과 주기율표의 56개 원소를 포괄하는 기본 모델이 구축되었다”고 Cheng이 설명한다. “이 모델은 ChatGPT가 사용하는 것과 같은 멀티‑헤드 어텐션 메커니즘을 활용한다. 결함이 있는 시료와 원본 시료의 스펙트럼 차이를 추출해 어떤 도펀트가 사용됐는지, 그리고 어떤 농도로 사용됐는지를 예측한다.”

실험 데이터에 대한 미세 조정 및 검증 후, 모델은 다음을 수행할 수 있었다:

• 일반적으로 사용되는 전자 합금에서 결함 농도를 측정한다.
• 별도의 초전도체 재료에서 결함 농도를 측정한다.

연구자들이 재료를 여러 차례 도핑해 여러 점 결함을 도입했을 때, 모델은 동시에 최대 여섯 개의 결함을 성공적으로 예측했으며, 농도는 **0.2 %**까지도 낮았다.

“우리는 그것이 이렇게 잘 작동한다는 것에 정말 놀랐습니다”라고 Cheng이 말한다. “두 가지 다른 유형의 결함에서 섞인 신호를 해독하는 것 자체가 매우 어려운데, 여섯 개라니 말이 안 됩니다.”

Source:

모델 접근법

일반적으로 반도체 제조업체는 생산 라인을 떠나는 제품 중 소량에 대해 침습 테스트를 수행합니다. 이 느린 과정은 모든 결함을 감지할 수 있는 능력을 제한합니다.

“현재 사람들은 주로 재료에 있는 결함의 양을 추정하고 있습니다,” 라고 유는 말합니다. “각 개별 기술을 사용해 추정치를 확인하는 것은 고된 작업이며, 그 기술들은 어느 한 알갱이에서만 국소적인 정보를 제공할 뿐입니다. 이는 사람들이 재료에 어떤 결함이 있다고 생각하는지에 대한 오해를 낳습니다.”

연구자들은 중성자 기반 진동 분광법이 아직 대부분의 기업에 대해 빠른 온라인 품질 관리 도구가 아니라는 점을 인정합니다.

“이 방법은 매우 강력하지만, 그 가용성은 제한적입니다,” 라고 라는 언급합니다. “진동 스펙트라는 간단한 …” (인용문은 원본 출처에서 계속됩니다)

요약

MIT 팀의 AI 모델은 비파괴 중성자 산란 데이터와 최신 머신러닝을 결합하면 반도체 내 여러 점 결함을 정량적으로 식별할 수 있음을 보여줍니다. 이는 궁극적으로 다양한 첨단 소재에서 보다 정밀한 결함 엔지니어링을 가능하게 할 수 있는 역량입니다.

AI 기반 결함 탐지: 향후 방향

Li는 기업들이 이미 이 접근법에 관심을 보였으며, 광산란을 측정하는 널리 사용되는 기술인 라만 분광법과도 적용될 수 있는 시점을 물었다고 말합니다. 연구팀의 다음 단계는 라만 분광법 데이터를 기반으로 유사한 모델을 훈련시키는 것입니다. 또한 점 결함보다 큰 특징, 예를 들어 입자와 전위와 같은 구조를 탐지하도록 접근법을 확장할 계획입니다.

“인간의 눈으로는 이러한 결함 신호가 거의 동일하게 보이지만,” Li는 말합니다. “AI의 패턴 인식 능력은 서로 다른 신호를 구별하고 실제 상황을 파악할 만큼 충분히 뛰어납니다. 결함은 양날의 검과 같습니다. 좋은 결함도 많지만, 너무 많으면 성능이 저하될 수 있습니다. 이는 결함 과학에 새로운 패러다임을 열어줍니다.”

현재로서는 연구진이 이번 연구를 통해 결함 데이터를 해석하는 데 있어 AI 기술이 갖는 고유한 장점을 입증했다고 보고 있습니다.

자금 지원

이 작업은 부분적으로 다음에 의해 지원되었습니다:

• 에너지부
• 국립 과학 재단