ML-guided screening of chalcogenide perovskites as solar energy materials

본 논문은 SISSO 알고리즘을 통해 새로운 허용 인자를 도출하고 머신러닝 및 지속가능성 지표를 통합한 데이터 기반 프레임워크를 제시함으로써, 차세대 태양전지용 황화물 페로브스카이트의 안정성과 실험적 실현 가능성을 체계적으로 평가하고 최적 후보 물질을 발굴했습니다.

핵심

🌟 핵심 이야기: AI 가 이끄는 '태양광 재료 보물찾기'

연구진들은 태양광 패널에 쓰일 차세대 재료로 **'황화물 페로브스카이트 (Chalcogenide Perovskites)'**에 주목했습니다. 이 재료는 기존 납 (Lead) 기반 재료보다 독성이 없고, 공기나 물에 잘 견디며, 햇빛을 전기로 바꾸는 능력이 뛰어납니다.

하지만 문제는 이 재료를 실험실에서 실제로 만들어내는 게 너무 어렵고 비싸다는 점입니다. 마치 수만 개의 상자 중 딱 하나만 보물이 들어있는 상자를 찾아야 하는데, 하나하나 열어보는 건 불가능에 가깝습니다.

그래서 연구진은 인공지능 (AI) 을 사냥꾼으로 고용하여, 불필요한 상자를 열지 않고 보물상자만 골라내는 시스템을 만들었습니다.

🛠️ 4 단계 필터링 시스템: AI 가 어떻게 보물을 찾나?

연구진은 4 단계의 필터 (문) 를 통과해야만 최종 후보로 선정되는 시스템을 만들었습니다.

1 단계: "규칙을 새로 만든 나침반" (새로운 안정성 판별법)

• 상황: 기존에는 물체의 크기를 재는 '톨러런스 팩터 (Tolerance Factor)'라는 나침반을 썼는데, 이 나침반은 황화물 재료를 찾을 때 자꾸 엉뚱한 방향을 가리켰습니다. (비유: 기존 나침반은 북극을 가리키는데, 우리는 남극을 찾아야 해서 엉뚱한 곳으로 가게 됨)
• 해결: 연구진은 AI(SISSO 알고리즘) 를 이용해 **새로운 나침반 ($\tau^*$)**을 만들었습니다. 이 나침반은 실험 데이터에서 학습하여, "어떤 원자 조합이 페로브스카이트 구조를 만들 수 있는지"를 훨씬 정확하게 가리킵니다.
• 결과: 수만 개의 후보 중 181 개로 대폭 줄였습니다.

2 단계: "가상 건축가" (CrystaLLM)

• 상황: 나침반이 가리킨 181 개 후보가 실제로 건물을 지을 수 있는 '블록'인지 확인해야 합니다.
• 해결: CrystaLLM이라는 AI 건축가가 등장합니다. 이 AI 는 원자 조합만 보고도 "이 조합으로 건물을 지으면 모양이 예쁘게 맞을지"를 예측합니다.
• 결과: 건물이 무너지거나 모양이 이상한 127 개를 제외하고, 54 개의 '진짜 건물을 지을 수 있는 후보'만 남겼습니다.

3 단계: "태양광 성능 검사관" (CrabNet)

• 상황: 건물을 지을 수 있다고 해서 태양광 패널로 쓰기 좋은 건 아닙니다. 햇빛을 얼마나 잘 흡수하는지 (밴드갭) 확인해야 합니다.
• 해결: CrabNet이라는 AI 검사관이 각 후보의 성분을 보고 "이건 태양광 패널로 쓰기엔 너무 어둡거나 너무 밝을 수도 있어"라고 점수를 매깁니다.
• 결과: 태양광에 가장 적합한 '황금빛' 범위의 에너지를 가진 후보들을 선별했습니다.

4 단계: "지속 가능성 감사관" (공급 리스크 & 환경 점수)

• 상황: 성능이 좋아도, 원자재가 지구에 거의 없거나 (희귀금속), 채굴할 때 환경을 파괴하거나 (ESG 문제), 전쟁 지역에서만 나온다면 실용화가 불가능합니다.
• 해결: **공급 리스크 (SR)**와 **환경 점수 (ESG)**를 계산합니다. "이 재료를 10 년 뒤에도 쉽게 구할 수 있을까?"를 따집니다.
• 결과: 성능도 좋고, 구하기도 쉽고, 환경에도 좋은 최종 우승자들을 선정했습니다.

---

🏆 최종 발견: 어떤 보물이 나왔을까?

이 과정을 거쳐 연구진은 다음과 같은 결론을 내렸습니다.

1. 기존의 명품 (BaZrS3): 이미 알려진 '바륨 지르코늄 황화물'이 여전히 최고의 후보 중 하나임을 확인했습니다. (AI 가 기존 명품을 놓치지 않았다는 증거)
2. 새로운 보물 (New Gems): 이전에 시도해본 적 없는 구리 (Cu), 유로퓸 (Eu), 세륨 (Ce) 등을 포함한 새로운 조합들을 발견했습니다.
   • 예: CuHfS3, EuYbSe3 등.
   • 이 재료들은 태양광 패널의 '상단 층 (Top cell)'으로 쓰일 때, 기존 실리콘 패널과 짝을 이뤄 효율을 극대화할 수 있습니다.

💡 이 연구의 의미는 무엇일까요?

이 논문은 단순히 "새로운 재료를 찾았다"는 것을 넘어, **"어떻게 하면 실험실의 시간과 돈을 아끼면서 최고의 재료를 찾을 수 있을까?"**에 대한 답을 제시합니다.

• 기존 방식: 실험실에서 원자재 하나하나를 섞어보고, 실패하면 다시 하는 방식 (시간과 비용 소모 큼).
• 이 연구의 방식: AI 가 먼저 "이건 안 돼, 저건 될 것 같아"라고 99% 를 걸러내고, 실험실 과학자들은 가장 가능성이 높은 1% 만 집중적으로 실험합니다.

마치 수만 개의 주사위 중 '6'이 나올 확률이 가장 높은 주사위를 AI 가 미리 골라주는 것과 같습니다. 이렇게 하면 과학자들은 더 적은 노력으로 더 큰 발견을 할 수 있게 됩니다.

🚀 결론

이 연구는 인공지능과 실험 과학의 완벽한 팀워크를 보여줍니다. AI 가 거대한 데이터 속에서 패턴을 찾고, 인간 과학자가 그 결과를 검증하여 미래의 친환경 태양광 패널을 만들어낼 수 있는 길을 열었습니다. 이제 실험실에서는 이 AI 가 추천한 '유망주'들을 실제로 만들어보며 태양광 기술의 다음 단계를 준비할 차례입니다.

기술 요약

1. 연구 배경 및 문제 제기 (Problem)

• 배경: 칼코겐화물 페로브스카이트 (Chalcogenide perovskites, X=S, Se, Te) 는 차세대 광전지 소재로 주목받고 있습니다. 특히 BaZrS3 와 같은 화합물은 높은 광흡수 계수, 우수한 환경 안정성, 무독성, 풍부한 원소 구성 등의 장점을 가지고 있어 태양전지 흡수층으로 유망합니다.
• 문제점:
  • 실험적 한계: 이론적으로 유망한 많은 화합물이 존재하지만, 실험적으로 합성된 페로브스카이트 상은 극히 제한적입니다.
  • 경쟁 상 (Competing Phases): 이황화물 (polysulfide) 이나 다른 비페로브스카이트 구조가 열역학적으로 더 안정하여 페로브스카이트 상의 형성을 방해합니다.
  • 기존 선별 도구의 부재: 전통적인 골드슈미트 (Goldschmidt) 허용 인자 (tolerance factor) 나 조이스 (Jess) 등 기존 기하학적/전기음성도 기반의 지표들은 칼코겐화물 시스템에서 비페로브스카이트 상을 잘못 분류하거나 (거짓 양성), 실제 안정적인 상을 놓치는 (거짓 음성) 등 예측 정확도가 낮습니다.
  • 계산 비용: 고전적 1 차 원리 계산 (DFT) 을 통한 대량 스크리닝은 계산 비용이 매우 높고, 실험적 검증 가능성 (synthesizability) 을 반영하지 못합니다.

2. 방법론 (Methodology)

저자들은 실험 데이터에 기반한 해석 가능한 기술자 (descriptor) 와 머신러닝 (ML) 모델을 결합한 다단계 선별 파이프라인을 개발했습니다.

1. 새로운 허용 인자 도출 (SISSO 기반):
   • SISSO (Sure Independence Screening and Sparsifying Operator) 알고리즘을 사용하여 할로겐화물 및 칼코겐화물 페로브스카이트의 실험 데이터로부터 새로운 해석적 허용 인자 ($\tau^*$) 를 유도했습니다.
   • 기존 지표들보다 이온 반경 ($r_A, r_B, r_X$) 과 전기음성도 차이를 복합적으로 고려하여 구조적 안정성을 더 정확하게 예측합니다.
2. 결정 구조 생성 및 검증 (CrystaLLM):
   • $\tau^*$로 선별된 화합물들의 화학식만 입력받아 CrystaLLM (Large Language Model 기반) 을 사용하여 결정 구조를 생성했습니다.
   • 생성된 구조가 실제 페로브스카이트의 특징인 '코너 공유 (corner-sharing) BX6 팔면체 네트워크'를 갖는지 분석하여 비페로브스카이트 구조를 필터링했습니다.
3. 밴드갭 예측 (CrabNet):
   • CrabNet (Composition-based Regression) 모델을 사용하여 화합물의 조성만으로 밴드갭을 예측했습니다. 훈련 데이터는 할로겐화물 페로브스카이트, 칼코겐화물 반도체, 칼코겐화물 페로브스카이트 실험 데이터를 혼합하여 일반화 성능을 높였습니다.
4. 실험적 실현 가능성 평가 (GCNN):
   • 그래프 합성곱 신경망 (GCNN) 모델을 사용하여 생성된 결정 구조가 실험적으로 합성된 페로브스카이트와 얼마나 유사한지 '결정 유사성 점수 (Crystal-likeness Score, CLS)'로 평가했습니다. 이는 열역학적 안정성뿐만 아니라 합성 경로의 실현 가능성을 간접적으로 반영합니다.
5. 지속 가능성 및 다목적 최적화:
   • 공급 리스크 (Supply Risk, SR): 원소별 생산량 집중도 (HHI) 와 ESG 점수를 기반으로 계산.
   • 최적화 목표: 단일 접합 (Single-junction, $E_g \approx 1.34$ eV) 및 탠덤 (Tandem, $E_g \approx 1.71$ eV) 태양전지 구조에 적합한 밴드갭과 낮은 공급 리스크를 동시에 만족하는 물질을 파레토 최적 (Pareto-optimal) 방식으로 선정했습니다.

3. 주요 기여 및 결과 (Key Contributions & Results)

• 향상된 예측 정확도 ($\tau^*$):
  • 기존 지표 (Goldschmidt, Jess, Bartel) 대비 SISSO 기반의 $\tau^*$는 정확도 (Accuracy) 91.2%, 정밀도 (Precision) 95.0% 를 달성하여 거짓 양성 (불안정한 물질을 안정하다고 잘못 예측) 을 획기적으로 줄였습니다.
  • $\tau^*$는 A 사이트와 B 사이트 이온 반경 간의 비대칭적 관계를 반영하여 칼코겐화물의 결합 특성을 더 잘 포착합니다.
• 후보 물질 선정:
  • 초기 1,392 개의 가능한 ABX3 조성 중 $\tau^*$와 CrystaLLM, GCNN 필터링을 거쳐 54 개의 유망한 칼코겐화물 페로브스카이트를 최종 선정했습니다.
  • 이 중 기존에 보고된 BaZrS3, BaHfS3 등뿐만 아니라 EuScS3, CuHfS3, CuZrSe3, EuYbSe3 등 이전에 탐구되지 않았던 새로운 화합물들을 발견했습니다.
• 성능 및 지속 가능성 평가:
  • 선정된 물질들의 평균 밴드갭은 약 1.86 eV 로, 탠덤 태양전지의 상부 셀 (Top cell) 에 적합함을 확인했습니다.
  • BaZrS3는 여전히 탠덤 구성에서 최적의 후보로 확인되었으며, CuHfS3와 CuZrSe3는 낮은 공급 리스크와 적절한 밴드갭으로 새로운 유망 후보로 부상했습니다.
  • 반면, 희토류 원소가 포함된 일부 물질은 높은 공급 리스크로 인해 대량 생산에는 한계가 있을 수 있음을 지적했습니다.
• 모델 간 독립성:
  • 네 가지 선별 기준 (기하학적 안정성, 구조적 실현 가능성, 지속 가능성, 광전 특성) 간의 상관관계가 매우 낮아 (약한 상관), 각 단계가 서로 다른 화학적 정보를 제공하여 신뢰할 수 있는 선별 프로세스임을 입증했습니다.

4. 의의 및 결론 (Significance)

• 데이터 기반 발견 전략의 정립: 이론적 예측과 실험적 실현 가능성 사이의 간극을 메우는 새로운 프레임워크를 제시했습니다. 고비용의 DFT 계산을 최소화하면서도 실험적으로 검증 가능한 후보를 효율적으로 찾을 수 있습니다.
• 지속 가능성의 통합: 단순히 광전 변환 효율만 고려하는 전통적 접근을 넘어, 원료 공급 안정성 (Supply Chain) 과 환경적 영향을 초기 선별 단계에 통합하여 실제 상용화 가능한 소재를 발굴했습니다.
• 확장 가능성: 이 연구에서 개발된 파이프라인은 칼코겐화물 페로브스카이트에 국한되지 않고, 데이터가 부족하고 화학적 제약이 복잡한 다른 소재 군 (Materials Spaces) 에도 적용 가능한 전이 가능한 (Transferable) 전략입니다.
• 실험적 가이드: 선정된 54 개의 화합물 (특히 EuScS3, CuHfS3 등) 은 실험실에서의 합성 및 검증에 대한 우선순위 타겟으로 제시되어, 향후 차세대 태양전지 소재 개발의 방향성을 제시합니다.

이 논문은 머신러닝, 생성 모델, 그리고 실험적 지식을 융합하여 복잡한 소재 공간을 체계적으로 탐색하고, 실제 적용 가능한 차세대 에너지 소재를 발굴하는 데 있어 중요한 이정표가 되는 연구입니다.