연구성과
신소재/반도체 최시영 교수팀, “AI로 결함을 깊이(deep) 파헤치다” 딥 러닝(deep learning) 기반 2차원 소재 분석
[POSTECH · 연세대 공동 연구팀, 소재 점 결함 분석을 위한 딥 러닝 기술 개발]
최근 신소재공학과 및 반도체공학과 최시영 교수 · 신소재공학과 통합과정 양동환 씨, 연세대 정밀의학과 및 보건대학원 양세정 교수 · 의공학과 통합과정 추유성 씨 공동 연구팀은 딥 러닝(deep learning)을 적용해 소재 점 결함 분석 전 공정 자동화를 구현하는 데 성공했다. 이번 연구는 국제 학술지인 ‘머티리얼즈 호라이즌스(Materials Horizons)’에 게재됐다.
스마트폰 반도체 소자에서 발생하는 결함을 정확하게 식별하고 분석한다면 제조 과정에서 발생하는 결함을 최소화해 완제품 성능을 향상할 수 있다. 또한, 결함이 생성·제어된 소재의 신물성 응용은, 장기적으로 더 우수한 제품을 개발할 수 있어 결함 생성과 제어는 소재 분야 연구에서 매우 중요하다. 소재 결정 구조 내에 원자가 하나 비어있거나 추가되는 0차원 결함을 ‘점 결함’이라고 하는데, 이는 소재의 고차원 결함 연구로 나아가기 위한 필수 선행 연구 대상이다.
원자 수준 점 결함을 관찰하기 위해 피코미터(10-12 m) 단위의 공간 분해능을 가진 구면 수차보정 주사투과전자현미경*1을 사용한다. 그러나, 이 현미경으로 촬영한 하나의 이미지에는 적게는 수백 개부터 많게는 수천 개까지의 원자가 포함되어 있어, 정확한 점 결함 종류와 개수 파악에 많은 시간과 노력이 필요했다.
연구팀은 반데르발스*2 반도체 소재(2H-MoTe2*3)의 원자 구조 이미지에서, 소재의 기본 반복 단위인 유닛 셀(unit cell)을 매우 정교하게 검출하는 딥 러닝 모델을 개발했다. 이 모델은 유닛 셀 인식 단계를 세분화해 인식 정확도를 높였으며, 연구팀은 인식된 유닛 셀마다 종류에 따른 다양한 점 결함 유형을 분류하도록 모델을 학습시켰다. 실험 결과, 연구팀의 딥 러닝 모델은 총 3,037개 유닛 셀 분류 실험에서 99.9%의 점 결함 분류 정확도를 보였다. 이는 최근까지 문헌이나 논문으로 학계에 보고된 점 결함 분류 성능보다 높은 수준이다.
최시영 교수는 “이번 연구가 다양한 소재의 원자 결함 분석 및 원자 구조 분석 데이터베이스 구축 연구에 큰 도움이 되길 바란다”는 기대를 전했다.
한편, 이 연구는 한국기초과학지원연구원 국가연구시설장비진흥센터, 기초과학연구원, 한국연구재단과 과학기술정보통신부의 지원으로 수행되었다.
DOI: https://doi.org/10.1039/D3MH01500A
1. 구면 수차보정 주사투과전자현미경
Spherical aberration-corrected scanning transmission electron microscopy
2. 반데르발스(Van der Waals)
중성 분자 사이에서 근거리에만 작용하는 약한 인력이다.
3. 2H-MoTe2
몰리브덴 디텔루라이드화합물 반도체를 말한다.