Accurate estimation of interfacial thermal conductance between silicon and diamond enabled by a machine learning interatomic potential

당신의 스마트폰 내부나 고속 컴퓨터 칩의 내부를 북적이는 도시라고 상상해 보세요. 이 도시에서 열은 교통 체증과 같습니다. 전자 기기가 열심히 작동하면 많은 열이 발생하며, 만약 그 열이 빠르게 빠져나가지 못하면 도시는 정체되고, 엔진은 과열되며, 전체 시스템이 무너집니다. 시스템을 시원하게 유지하기 위해 엔지니어들은 종로종종 특수한 재료를 사용하여 열을 위한 '급행 차선'을 구축하려고 노력합니다. 한 가지 인기 있는 전략은 실리콘(컴퓨터 칩의 표준 재료)을 다이아몬드(열을 이동시키는 데 가장 뛰어난 재료 중 하나)와 결합하는 것입니다. 하지만 이 두 가지 서로 다른 재료가 만나는 지점에서는 종종 교통 정체가 발생합니다. 열이 실리콘 쪽에서 다이아몬드 쪽으로 넘어가는 데 어려움을 겪으며, 이는 모든 것을 느리게 만드는 병목 현상을 만들어냅니다. 과학자들은 이 경계에서 정확히 얼마나 많은 열이 갇히는지, 그리고 왜 그런지를 알아내기 위해 노력해 왔으며, 이를 통해 더 좋고, 더 빠르고, 더 신뢰할 수 있는 장치를 설계하기를 희망하고 있습니다.

이 퍼즐을 풀기 위해 연구자들은 보통 컴퓨터 시뮬레이션을 사용하여 원자들이 어떻게 진동하고 에너지를 전달하는지 관찰합니다. 이 시뮬레이션을 원자들이 어떻게 행동할지 지시하는 비디오 게임이라고 생각해 보세요. 오랫동안 과학자들은 테로프(Tersoff)와 브레너(Brenner) 모델 같은 준경험적 포텐셜(semi-empirical potentials)이라는 '규칙책'을 사용하여 이러한 규칙을 작성해 왔습니다. 이 규칙책들은 오래된 데이터와 단순한 수학 공식에 기반하고 있었습니다. 하지만 이번 새로운 연구에서 연구자들은 다른 시도를 해보기로 했습니다. 그들은 '머신러닝(ML)' 접근 방식을 사용했습니다. 단순하게 미리 작성된 규칙책에 의존하는 대신, 그들은 가장 정확한 물리 계산(밀도 범함수 이론, 즉 DFT라고 불리는)으로부터 직접 규칙을 배우도록 컴퓨터 프로그램에 훈련시켰습니다. 이것은 학생에게 단순히 교과서 요약본을 주는 것이 아니라, 수천 개의 실제 사례를 보여주며 가르치는 것과 같습니다. 목표는 이 똑똑하고 데이터 중심적인 학생이 기존의 규칙책보다 실리콘-다이아몬드 경계에서 열이 얼마나 잘 흐르는지를 더 정확하게 예측할 수 있는지 확인하는 것이었습니다.

연구자들은 실리콘 블록과 다이아몬드 블록 사이에 다리를 놓는 디지털 실험을 설정했습니다. 그들은 새로운 머신러닝 포텐셜을 사용하여 원자들이 움직이고 열을 주고받는 과정을 시뮬레이션했습니다. 그 결과, 기존의 규칙책들(Tersoff 및 Brenner)은 너무 낙관적이라는 것을 발견했습니다. 시뮬레이션에서 이 오래된 모델들은 열이 인터페이스를 통해 약 3배 더 빠르게 흐를 것이라고 예측했는데, 이는 실제로 측정된 실제 세계의 실험 결과와는 차이가 있었습니다. 마치 기존의 규칙책들이 열에게 "자, 그냥 쌩 하고 지나가세요!"라고 말하는 것 같았지만, 실제로는 열이 벽에 부딪히고 있었던 것입니다.

반면, 새로운 머신러닝 포텐셜은 훨씬 더 현실적인 이야기를 들려주었습니다. 연구자들이 이 똑똑하게 훈련된 모델로 시뮬레이션을 실행했을 때, 결과는 실제 실험 데이터와 거의 완벽하게 일치했으며, 차이는 단 10%에 불과했습니다. 논문은 이러한 정확성이 ML 모델이 원자들이 얼마나 빨리 진동하는지(포논 군속도, phonon group velocities)와 그 진동이 얼마나 오래 지속되는지(포논 수명, phonon lifetimes)를 올바르게 이해했기 때문이라고 설명합니다. 기존 모델들은 원자들이 실제보다 더 빠르게 진동하고 더 오래 지속된다고 생각했기 때문에, 열이 실제보다 더 쉽게 이동하는 것처럼 보이게 만들었습니다.

연구는 또한 열 흐름의 '음악'에 대해서도 살펴보았습니다. 열은 포논(phonon)이라고 불리는 진동을 통해 물질을 통과하며, 이들은 서로 다른 주파수(마치 서로 다른 음표와 같은)를 가집니다. 연구자들은 기존 모델들이 '곡조'를 틀리게 잡아, 실제 재료에는 존재하지 않는 높은 주파수의 음표들을 예측한다는 것을 발견했습니다. 그러나 머신러닝 모델은 실제 물리학과 일치하도록 곡조를 제대로 맞췄습니다. 또한 그들은 실리콘과 다이아몬드 사이의 인터페이스가 열을 운반하는 데 도움을 주는 특수한 '국소적' 진동(포논 모드)을 생성한다는 것을 발견했는데, 이는 특히 10에서 15 THz 사이의 주파수 범위에서 나타납니다. 이 특별한 모드들은 열 전달에 크게 기여하며, ML 모델은 이 세부 사항을 포착해 냈지만, 기존 모델들은 이를 놓쳤습니다.

궁극적으로, 이 논문은 원자 모델을 훈련하는 데 머신러닝을 사용하는 것이 기존 시뮬레이션 방법의 오류를 수정하는 강력한 방법임을 보여줍니다. 고정밀 양자 데이터로부터 직접 학습함으로써, 이러한 새로운 모델들은 우리 전자 기기 내부의 아주 작은 인터페이스에서 열이 어떻게 작동하는지를 훨씬 더 정확하게 예측할 수 있습니다. 이것은 단순히 화면 위의 더 나은 숫자를 의미하는 것이 아닙니다. 이는 엔지니어들이 차세대 초고속, 저발열 전자 기기를 설계할 때 자신들의 컴퓨터 시뮬레이션을 더 신뢰할 수 있음을 의미합니다. 이 연구는 기존 방식들도 유용했지만 성능을 과대평가했다는 점을 확인시켜 주었으며, 이제 AI 기반의 접근 방식이 진실을 보는 열쇠라는 것을 입증했습니다.