노벨상 뒤에 숨은 CVD 기술 혁신

최근 2024년 노벨물리학상 발표로 인공지능 분야가 전례 없는 관심을 불러일으켰다. 미국 과학자 John J. Hopfield와 캐나다 과학자 Geoffrey E. Hinton의 연구에서는 기계 학습 도구를 사용하여 오늘날의 복잡한 물리학에 대한 새로운 통찰력을 제공합니다. 이번 성과는 인공지능 기술의 중요한 이정표일 뿐만 아니라, 물리학과 인공지능의 심층적인 통합을 예고하는 것이기도 합니다.

Ⅰ. 물리학에서 화학기상증착(CVD) 기술의 중요성과 과제

물리학에서 화학기상증착(CVD) 기술의 중요성은 다양합니다. 이는 중요한 재료 준비 기술일 뿐만 아니라 물리학 연구 및 응용 발전을 촉진하는 데 핵심적인 역할을 합니다. CVD 기술은 원자 및 분자 수준에서 물질의 성장을 정밀하게 제어할 수 있습니다. 그림 1에서 볼 수 있듯이, 이 기술은 고체 표면에서 기체 또는 기상 물질을 화학적으로 반응시켜 고체 침전물을 생성함으로써 다양한 고성능 박막 및 나노구조 소재를 생산합니다1. 이는 물리학에서 재료의 미세 구조와 거시적 특성 사이의 관계를 이해하고 탐구하는 데 매우 중요합니다. 왜냐하면 이를 통해 과학자들은 특정 구조와 구성을 가진 재료를 연구하고 물리적 특성을 깊이 이해할 수 있기 때문입니다.

둘째, CVD 기술은 반도체 소자의 다양한 기능성 박막을 제조하는 핵심 기술이다. 예를 들어, CVD는 실리콘 단결정 에피택셜 층, 갈륨 비소와 같은 III-V 반도체 및 II-VI 반도체 단결정 에피택시를 성장시키고, 다양한 도핑된 반도체 단결정 에피택셜 필름, 다결정 실리콘 필름 등을 증착하는 데 사용될 수 있습니다. 구조는 현대 전자 장치와 광전자 장치의 기초입니다. 또한 CVD 기술은 광학재료, 초전도재료, 자성재료 등 물리학 연구 분야에서도 중요한 역할을 하고 있다. CVD 기술을 통해 광전자 장치 및 광 센서에 사용하기 위해 특정 광학 특성을 가진 박막을 합성할 수 있습니다.

그림 1 CVD 반응 전달 단계

동시에 CVD 기술은 실제 응용 분야에서 다음과 같은 몇 가지 과제에 직면해 있습니다².

✔ 고온 및 고압 조건: CVD는 일반적으로 고온이나 고압에서 진행해야 하므로 사용할 수 있는 재료의 종류가 제한되고 에너지 소비와 비용이 증가합니다.

✔ 매개변수 감도: CVD 공정은 반응 조건에 매우 민감하여 작은 변화라도 최종 제품의 품질에 영향을 미칠 수 있습니다.

✔ CVD 시스템이 복잡함: CVD 공정은 경계 조건에 민감하고 불확실성이 크며 제어 및 반복이 어려워 재료 연구 및 개발에 어려움을 겪을 수 있습니다.

Ⅱ. 화학 기상 증착(CVD) 기술 및 기계 학습

이러한 어려움에 직면한 강력한 데이터 분석 도구인 머신러닝은 CVD 분야의 일부 문제를 해결할 수 있는 잠재력을 보여주었습니다. 다음은 CVD 기술에 머신러닝을 적용한 예입니다.

(1) CVD 성장 예측

기계 학습 알고리즘을 사용하면 대량의 실험 데이터로부터 학습하고 다양한 조건에서 CVD 성장 결과를 예측하여 실험 매개변수 조정을 안내할 수 있습니다. 그림 2에서 볼 수 있듯이 싱가포르 난양기술대학교 연구팀은 머신러닝의 분류 알고리즘을 사용하여 2차원 재료의 CVD 합성을 안내했습니다. 초기 실험 데이터를 분석해 이황화몰리브덴(MoS2)의 성장 조건을 성공적으로 예측해 실험 성공률을 크게 높이고 실험 횟수를 줄였다.

그림 2 기계 학습은 자료 합성을 안내합니다.

(a) 재료 연구 및 개발에 없어서는 안 될 부분: 재료 합성.

(b) 분류 모델은 화학 기상 증착을 통해 2차원 물질을 합성하는 데 도움이 됩니다(상단). 회귀 모델은 황-질소 도핑된 형광 양자점(하단)의 열수 합성을 안내합니다.

또 다른 연구(그림 3)에서는 기계 학습을 사용하여 CVD 시스템에서 그래핀의 성장 패턴을 분석했습니다. 영역 제안 합성곱 신경망(R-CNN)을 개발하여 그래핀의 크기, 커버리지, 도메인 밀도, 종횡비 등을 자동으로 측정하고 분석한 후, 인공신경망(ANN)과 서포트 벡터 머신을 이용하여 대리 모델을 개발하였다( SVM)을 통해 CVD 공정 변수와 측정된 사양 간의 상관 관계를 추론합니다. 이 접근 방식은 그래핀 합성을 시뮬레이션하고 큰 입자 크기와 낮은 도메인 밀도를 갖춘 원하는 형태의 그래핀을 합성하기 위한 실험 조건을 결정하여 많은 시간과 비용을 절약할 수 있습니다² ³

그림 3 머신러닝은 CVD 시스템의 그래핀 성장 패턴을 예측합니다.

(2) 자동화된 CVD 공정

기계 학습을 사용하면 CVD 공정의 매개변수를 실시간으로 모니터링하고 조정하여 보다 정확한 제어와 더 높은 생산 효율성을 달성할 수 있는 자동화 시스템을 개발할 수 있습니다. 그림 4에서 볼 수 있듯이 Xidian University의 연구팀은 딥러닝을 사용하여 CVD 이중층 2차원 재료의 회전 각도를 식별하는 어려움을 극복했습니다. 그들은 CVD로 준비된 MoS2의 색 공간을 수집하고 의미론적 분할 CNN(Convolutional Neural Network)을 적용하여 MoS2의 두께를 정확하고 빠르게 식별한 다음 두 번째 CNN 모델을 훈련하여 CVD로 성장한 MoS2의 회전 각도를 정확하게 예측했습니다. 이중층 TMD 재료. 이 방법은 시료 식별의 효율성을 향상시킬 뿐만 아니라 재료과학 분야에서 딥러닝을 적용하는 새로운 패러다임을 제시합니다.⁴.

그림 4 딥러닝 방법으로 이중층 2차원 물질의 모서리 식별

참고자료:

(1) Guo, Q.-M.; 진, Z.-H. 원자 제조에 있어서 증착 기술의 개발 및 응용. Acta Physica Sinica 2021, 70 (2), 028101-028101-028101-028115. DOI: 10.7498/aps.70.20201436.

(2) 이경; 리우, D.; 첸, X.; 양, J.; 웨이, D.; 리우, Y.; Wei, D. 응용을 위한 2차원 재료의 플라즈마 강화 화학 기상 증착. 화학 연구 계정 2021, 54 (4), 1011-1022. DOI: 10.1021/acs.accounts.0c00757.

(3) 황지.; 김티; 신제이; 신엔.; Hwang, S. CVD 그래핀 분석을 위한 기계 학습: 측정부터 SEM 이미지 시뮬레이션까지. 산업공학화학저널 2021, 101, 430-444. DOI: https://doi.org/10.1016/j.jiec.2021.05.031.

(4) 허우, B.; 우, J.; Qiu, D. Y. 개별 Kohn-Sham 상태의 비지도 학습: 다체 효과의 다운스트림 예측에 대한 해석 가능한 표현 및 결과. 2024년; p arXiv:2404.14601.