Interpretable self-driving sputter epitaxy: from black-box optimization to human-usable growth rules

1. 연구 배경 및 문제 제기 (Problem)

• 자율 주행 실험실 (SDL) 의 한계: 최근 고차원 공정 공간을 탐색하는 강력한 도구로 부상한 자율 주행 실험실 (Self-Driving Laboratories, SDL) 은 베이지안 최적화 (Bayesian Optimization, BO) 등을 통해 최적의 공정 조건을 빠르게 찾아냅니다. 그러나 대부분의 SDL 시스템은 '블랙박스 (Black-box)' 최적자로 작동하여, 최적 조건을 산출할 수는 있지만 어떤 공정 변수가 성능을 지배하는지, 변수 간 상호작용은 어떻게 작용하는지에 대한 물리적 통찰력이나 인간이 이해할 수 있는 성장 규칙을 제공하지 못합니다.
• 해석 가능성의 부재: 이 '해석 불가능성 (Interpretability gap)'은 결과의 재현성 저하, 다른 장비나 기판으로의 전이 (Transferability) 어려움, 그리고 물리적으로 의미 있는 공정 지식으로의 전환을 지연시킵니다.
• 베타 갈륨 산화물 ($\beta$-Ga$_2$O$_3$) 증착의 난제: 차세대 전력 전자 및 태양광 차단 자외선 검출기에 필수적인 초광대역 반도체인 $\beta$-Ga$_2$O$_3$는 화학기상증착 (CVD) 이나 분자선 에피택시 (MBE) 로 고품질 박막을 만들 수 있으나, 산업 표준인 저비용 스퍼터링 (Sputtering) 으로 고품질 에피택시를 달성하는 것은 여전히 난제입니다. 기존 스퍼터링 박막은 비정질, 다결정, 또는 혼합 상 ($\epsilon$, $\kappa$ 상) 이 나타나는 경우가 많습니다.

2. 연구 방법론 (Methodology)

이 연구는 해석 가능한 자율 주행 실험실 프레임워크를 구축하여 스퍼터링 에피택시를 최적화하고, 이를 인간이 이해할 수 있는 성장 규칙으로 변환하는 프로세스를 제시합니다.

• 자율 주행 스퍼터링 플랫폼:

  • RF 마그네트론 스퍼터링 시스템과 자동 광학 분석, 베이지안 최적화를 통합한 폐쇄 루프 (Closed-loop) 시스템을 구축했습니다.
  • 4 가지 공정 변수: 기판 온도 ($T$), RF 전력 ($P_{RF}$), Ar 유량 ($F_{Ar}$), O$_2$ 유량 ($F_{O2}$).
  • 목표 함수 (Metric): 밴드 테일 상태 및 광학적 무질서를 나타내는 지표인 **유바흐 에너지 (Urbach Energy, $E_U$)**를 자동 추출하여 최적화 목표로 사용했습니다.
  • 작동 방식: 66 회의 실험 루프를 통해 데이터를 수집하고, Gaussian Process 기반의 BO 알고리즘이 다음 실험 조건을 제안하며, 실험 실패 (NaN) 에 대한 적응형 처리 기법을 도입하여 탐색의 견고성을 높였습니다.

• 해석 가능한 머신러닝 분석 (Interpretable ML Analysis):

  • 블랙박스 최적화로 얻은 데이터를 랜덤 포레스트 (Random Forest) 서브레이트 모델 (Surrogate model) 로 학습시켰습니다.
  • 특성 중요도 (Feature Importance): 각 공정 변수가 $E_U$에 미치는 영향력을 정량화했습니다.
  • 부분 의존도 플롯 (Partial Dependence Plots, PDPs): 1 차원 및 2 차원 변수 변화에 따른 $E_U$의 반응을 시각화하여 변수 간 상호작용을 분석했습니다.
  • 상호작용 정량화: Friedman 의 H-통계량을 사용하여 변수 간 비가산적 (Non-additive) 상호작용의 강도를 측정했습니다.

3. 주요 성과 및 결과 (Key Results)

A. 고품질 이종 에피택시 달성

• 최저 유바흐 에너지: 스퍼터링으로 성장한 $\beta$-Ga$_2$O$_3$ 박막 중 최저인 182 meV의 $E_U$를 달성했습니다 (기존 스퍼터링 기록 280 meV, 대표적 MOCVD 기록 220 meV 대비 우수).
• 결정질 및 광학 품질:
  • XRD 로커링 커브 (Rocking curve) 의 반치폭 (FWHM) 이 **1.78°**로, CVD/MBE 기법과 비교할 수 있는 높은 결정질을 보였습니다.
  • 표면 거칠기 (RMS) 는 1.15–1.27 nm 로 평탄했습니다.
  • 흡수 에지가 급격하고 밴드갭 (5.04 eV) 이 명확하며, 5.5 eV 에서의 흡수 계수가 기존 MOCVD 박막보다 높았습니다.
• 재현성: 최적 조건에서 재현 실험 시 184 meV 의 $E_U$를 얻어 높은 재현성을 입증했습니다.

B. 기판 간 전이성 및 동종 에피택시 (Homoepitaxy)

• 전이성 검증: C-평면 Al$_2$O$_3$ 기판에서 최적화된 공정 조건을 **$\beta$-Ga$_2$O$_3$ 기판 (동종 기판)**에 적용했습니다.
• 결과: 추가적인 최적화 없이도 단결정 $\beta$-Ga$_2$O$_3$ 동종 에피택시가 성공적으로 이루어졌습니다. 이는 시스템이 기판 특이적인 레시피가 아닌, 본질적인 성장 규칙을 학습했음을 의미합니다. (스퍼터링을 통한 단결정 $\beta$-Ga$_2$O$_3$ 동종 에피택시 보고는 이번이 처음입니다.)

C. 인간이 활용 가능한 성장 규칙 도출 (Interpretable Rules)

블랙박스 최적화 결과를 해석 가능한 물리적 규칙으로 변환했습니다:

1. 주요 제어 변수: **기판 온도 ($T$)**가 $E_U$를 결정하는 가장 중요한 변수 (중요도 0.39) 로 확인되었습니다.
2. 부가적 조절 변수: RF 전력, Ar 유량, O$_2$ 유량은 온도에 비해 상대적으로 독립적이고 가산적 (Additive) 인 영향을 미칩니다.
3. 상호작용: 대부분의 변수 간 상호작용은 미미했으나, 온도 ($T$) 와 O$_2$ 유량 ($F_{O2}$) 사이에만 약한 상호작용 ($H^2 = 0.12$) 이 존재하여 고품질 성장 창 (Window) 을 좁게 정의하는 역할을 했습니다.
4. 최적화 전략 제안:
   • 1 단계: 기판 온도를 1 차원적으로 최적화.
   • 2 단계: RF 전력 및 가스 유량을 독립적으로 1 차원적으로 튜닝.
   • 3 단계: 최종적으로 (온도, O$_2$ 유량) 2 차원 평면에서 미세 조정.
   • 이 전략은 자율 주행 시스템 없이도 인간 실험자가 고품질 박막을 성장시킬 수 있는 명확한 로드맵을 제공합니다.

4. 의의 및 결론 (Significance)

• 블랙박스에서 화이트박스로: 자율 주행 실험실이 단순히 '최적 레시피'를 찾는 것을 넘어, 인간이 이해하고 활용할 수 있는 물리적 성장 규칙을 도출할 수 있음을 입증했습니다.
• 산업적 적용 가능성: RF 스퍼터링은 대면적 증착에 적합한 저비용 산업 표준 기술입니다. 이 연구를 통해 스퍼터링으로도 CVD/MBE 수준의 고품질 $\beta$-Ga$_2$O$_3$ 박막을 얻을 수 있음을 보여주었으며, 이를 통해 차세대 전력 소자 및 광학 소자 제조의 비용 효율성을 크게 높일 수 있습니다.
• 일반화된 방법론: 이 프레임워크는 $\beta$-Ga$_2$O$_3$에 국한되지 않고, 다른 복잡한 산화물 반도체나 고차원 공정 최적화 문제에서도 자율 실험과 물리적 통찰력의 간극을 해소하는 일반적인 경로 (General route) 로 제시됩니다.

요약하자면, 이 논문은 자율 주행 실험실 기술을 활용하여 스퍼터링으로 고품질 $\beta$-Ga$_2$O$_3$ 박막을 성장시키고, 머신러닝 기법을 통해 그 결과를 인간이 직관적으로 이해할 수 있는 '성장 규칙'으로 변환함으로써, 재료 과학 연구의 패러다임을 '블랙박스 최적화'에서 '해석 가능한 지능형 공정 개발'로 전환하는 중요한 사례를 제시했습니다.