AI-enhanced discovery and accelerated synthesis of metal phosphosulfides

문제 정의
금속 인황화물(metal phosphosulfides)은 고체 배터리, 강유전체, 비선형 광학 분야에서 잠재적 응용 가치가 높은 다기능성 재료 클래스를 나타낸다. 그러나 이들의 개발은 산화물이나 질화물과 같은 기존 재료 클래스에 비해 상당한 합성상의 어려움으로 인해 정체되어 왔다. 역사적으로 연구는 광범위하고 가속화된 탐색보다는 개별 화합물이나 특정 응용 중심의 탐색에 집중하는 "재료 사일로(material silos)" 방식으로 진행되어 왔다. 또한, 기존의 합성 절차는 일반적으로 직렬적이고 저처리량(low-throughput) 방식이며, 조성 및 공정 파라미터를 병렬로 스크리닝하는 능력이 부족하다. 이는 더 넓은 인황화물 지형 전반에 걸친 합성 가능성과 밴드 갭에 대한 이론적 이해를 제한하는 결과를 초래했다.

방법론
저자들은 고처리량 밀도 범함수 이론(DFT), 다중 충실도 머신러닝(ML), 그리고 실험적 고처리량 합성을 통합한 결합 워크플로우를 채택하였다:

1. 계산적 스크리닝: 연구팀은 DFT(구체적으로 PBEsol 범함수)를 사용하여 909개의 가상 삼원계 금속 인황화물의 열역학적 안정성과 밴드 갭을 계산하였다. 연구진은 컨벡스 헐(convex hulls)을 구축하여 헐 상단 에너지($E_h$)를 결정하였으며, 0–100 meV/atom의 안정성 허용 범위를 정의하였다.
2. 머신러닝 모델: 고정밀 밴드 갭 계산의 비용 문제를 해결하기 위해, 치환 불변 트랜스포머(permutation-invariant transformers)에 기반한 다중 충실도 딥 러닝 모델이 개발되었다. 이 모델은 원소 조성과 PBEsol 값을 입력값으로 사용하여 세미로컬(semilocal) PBEsol 밴드 갭을 실험적으로 보정된 밴드 갭으로 변환한다. 모델은 Materials Project, SNUMAT 및 실험적 컴필레이션의 데이터셋을 통해 학습되었다.
3. 실험적 검증: 저자들은 방향성 및 확산 다중 음이온 반응성 스퍼터링(Directional-and-Diffuse Multi-Anion Reactive Sputtering, DADMARS)이라는 고처리량 박막 조합 합성 기술을 활용하였다. 이 방법은 단일 기판 위에 의도적인 원소 조성 구배를 가진 박막을 증착할 수 있게 한다. 연구진은 사전 합성 레시피 없이 재료를 합성하고 특성화하기 위해 Cu-P-S 및 Ag-P-S 시스템에 대해 네 차례의 조합 실험을 수행하였다.

주요 결과

• 열역학적 안정성 및 신규 화합물: 스크리닝을 통해 열역학적으로 안정할 것으로 예측되는($E_h = 0$) 19개의 미지의 삼원계 인황화물을 식별하였으며, 여기에는 최초의 Si 및 Ge 기반 인황화물(SiP$_2$S$_6$ 및 GePS$_3$)이 포함된다. 또한, $E_h < 50$ meV/atom인 71개의 준안정 조성들이 확인되었다. 연구 결과 합성 가능성은 $E_h$와 높은 상관관계를 가짐이 밝혀졌다. 헐 상에 있는 재료의 60%는 이미 합성되었으나, $50 < E_h < 100$ meV/atom 범위의 재료에 대해서는 이 비율이 3%로 급감하였다.
• 구조적 분류: 본 연구는 P/S 비율에 따라 인황화물을 두 가지 뚜렷한 범주로 분류한다:
  • 티오인산염 (Thiophosphates, P/S $\le$ 1/3): 인(P)은 양의 산화 상태(+4 또는 +5)를 가지며, 금속 양이온에 직접 결합하지 않고 폴리음이온 모티프(예: 고립된 [PS$_4$]$^{3-}$, 코너 공유, 에지 공유 또는 에탄 유사 구조)를 형성한다. 이들은 주로 전하 균형을 이루는 반도체이다.
  • 비티오인산염 (Non-Thiophosphates, P/S > 1/3): 인은 음 또는 중성의 산화 상태를 가지며 금속에 직접 결합한다. 여기에는 P-S 단위, S-P-P-S 체인, 그리고 인 네트워크와 같은 모티프가 포함된다. 이 클래스는 금속성 거동과 좁은 밴드 갭을 포함하여 더욱 복잡한 전자적 특성 분포를 보인다.
• 밴드 갭 예측: 다중 충실도 ML 모델은 PBEsol 입력을 통한 실험적 밴드 갭 예측 시 0.24 eV의 평균 절대 오차(MAE)를 달면서, PBEsol과 HSE 범함수 간의 단순 다항식 피팅(MAE 0.41 eV)보다 우수한 성능을 보였다. 모델은 티오인산염이 일반적으로 2.3–3.0 eV 범위의 밴드 갭을 갖는 반면, 비티오인산염은 금속 상태와 낮은 갭을 포함하여 더 넓은 분포를 보임을 밝혔다.
• 실험적 합성: 단 네 차례의 조합 실험만을 사용하여, 연구팀은 네 가지 서로 다른 단상 박막 화합물인 Cu$_3$PS$_4$, Cu$_7$PS$_6$, Ag$_3$PS$_4$, Ag$_7$PS$_6$를 성공적으로 합성하였다. 특히, Ag$_3$PS$_4$와 Ag$_7$PS$_6$는 단 한 번의 실행으로 얻어졌다. 합성된 박막은 가시광선 영역의 밴드 갭을 가진 공기 안정적인 반도체였으며, 이는 "까다로운" 화학종에 대한 고처리량 접근법의 생존 가능성을 확인시켜 주었다.

의의 및 주장
본 논문은 이론, 인공지능, 합성 및 특성화를 통합한 가속화된 재료 개발 워크플로우가 인황화물과 같이 실험적으로 까다로운 무기 재료에 대해서도 실행 가능하다는 것을 주장한다. 저자들은 다음을 입증하였다:

1. 광범위한 계산적 스크리닝은 이전에 알려지지 않았던 안정적이고 미개척된 조성(Si/Ge 기반 시스템 포함)을 식별할 수 있다.
2. 다중 충실도 머신러닝은 빠르고 정확도가 낮은 DFT 계산과 실험적 실제 사이의 간극을 밴드 갭 예측을 통해 효과적으로 메울 수 있다.
3. 고처리량 실험 방법(특히 DADMARS)은 전통적인 인황화물 합성 장벽을 극복하여, 사전 합성 레시피 없이도 새로운 박막 재료를 신속하게 발견할 수 있게 한다.

본 연구는 인(P)과 황(S) 화학의 "까다로운" 특성이 적절한 고처리량 실험 설정이 구현된다면 가속화된 발견을 가로막는 요소가 되지 못한다는 결론을 내린다. 본 연구의 결과는 금속 인황화물의 구조적, 조성적, 전자적 다양성에 대한 기초적인 지도를 제공하며, 새로운 조성과 더 높은 복잡성을 가진 신규 재료에 대한 지능적 탐색의 토대를 마련한다.