Exploring self-driving labs for optoelectronic materials

이 논문은 최적화 중심의 기존 자동화 실험실과 구별되어, 합성 조건과 물성 간의 핵심 연결 고리인 결함 물리를 기반으로 체계적인 데이터를 생성하여 광전 소재의 물리적 메커니즘을 규명하고 재사용 가능한 데이터셋을 구축하는 '탐색 중심 과학적 자동화 실험실'의 필요성과 설계 원칙을 Cu2ZnSn(S,Se)4 사례를 통해 제시합니다.

핵심

1. 현재 상황: "최고의 점수만 쫓는 코치" vs "진짜 원리를 이해하는 탐험가"

지금까지 대부분의 자율 실험실은 **'최적화 **(Optimization)에만 집중했습니다. 마치 수학 문제를 풀 때, 정답이 나오는 숫자 조합만 빠르게 찾아내는 코치와 같습니다.

• 방식: "이 온도와 압력으로 만들면 효율이 10% 올라가네? 좋아, 그걸로 계속 해보자!"
• 문제점: 정답 (최고 효율) 은 찾아냈지만, 왜 그 조합이 좋은지, 그 안에서 무슨 일이 일어나는지 (물리 법칙) 는 모릅니다. 마치 "이 약을 먹으면 병이 낫는다"는 건 알지만, "약이 몸속에서 어떻게 작용하는지"는 모르는 것과 같습니다.

저자는 이제 **'탐험 **(Exploration)을 해야 한다고 말합니다.

• 새로운 방식: "정답만 찾는 게 아니라, 이 재료가 만들어지는 모든 과정을 자세히 기록하는 과학 탐험가가 되어야 한다."
• 목표: 단순히 좋은 재료를 만드는 게 아니라, **데이터 **(지식)를 쌓아 나중에 어떤 재료든 예측할 수 있는 지도를 만드는 것입니다.

2. 핵심 개념: '결함 (Defect)'이라는 보이지 않는 악동들

광전소재를 만들 때 가장 중요한 것은 **'결함 **(Defect)입니다.

• 비유: 재료를 만드는 건 거대한 도시를 건설하는 것과 같습니다. 하지만 건설 현장에는 항상 **작은 악동들 **(결함)이 숨어 있습니다.
  • 벽돌이 하나 빠진 곳 (공공결함)
  • 벽돌이 잘못 쌓인 곳 (치환결함)
  • 도시 전체가 비틀어진 곳 (결정립계)
• 이 악동들은 눈에 잘 안 보이지만, 전기가 흐르는 속도나 빛을 내는 능력을 결정합니다.
• 문제: 이 악동들은 너무 작고 복잡해서, 우리가 실험실 조건 (온도, 압력) 을 조금만 바꿔도 그들 사이의 관계가 완전히 바뀝니다. 그래서 "어떤 조건을 줬는데 결과가 나왔다"는 기록만으로는 악동들의 성격을 파악할 수 없습니다.

3. 새로운 해결책: '결함체 (Defectome)'라는 개념

저자는 이 복잡한 악동들의 집합을 **'결함체 **(Defectome)라고 부릅니다.

• 비유: 결함체는 마치 **인간의 '유전체 **(Genome)와 같습니다. 유전자가 DNA 의 조합이라면, 결함체는 **재료 내부의 모든 악동들의 상태 **(누가, 어디에, 얼마나 있는지)를 총칭하는 말입니다.
• 목표: 이 자율 실험실의 임무는 단순히 재료를 만드는 게 아니라, 이 '결함체'가 어떻게 변하는지를 정확히 추적하는 것입니다.

4. 어떻게 실험할 것인가? (4 가지 설계 원칙)

이론을 실제로 적용하기 위해 저자는 4 가지 원칙을 제안합니다.

① 실험의 기본 단위: "한 번에 여러 개 만드는 조합 실험"

• 비유: 한 번에 한 명씩 시험을 보는 게 아니라, 한 장의 종이에 수백 명의 학생을 동시에 시험을 보게 하는 것입니다.
• 방법: 얇은 막 (Thin film) 을 만들어서, 한쪽 끝은 구리 성분이 많고 다른 쪽 끝은 아연 성분이 많게 만듭니다. 이렇게 하면 한 번 실험으로 수백 가지 조합을 한 번에 볼 수 있습니다.

② 분리된 작업: "건물 짓기"와 "인테리어 수정"을 나누자

• 비유:
  1. **1 단계 **(건물 짓기) 재료를 먼저 기본 형태로 만듭니다. (이때는 조건을 일정하게 유지)
  2. **2 단계 **(인테리어 수정) 만들어진 재료를 다른 기계로 옮겨서, 온도나 기체 압력을 바꿔가며 결함체 (악동들) 를 움직이게 합니다.
• 이유: 건물을 짓는 과정과 인테리어를 고치는 과정이 섞이면, 어떤 변화가 어디서 왔는지 알 수 없습니다. 이 두 가지를 분리해야 "아, 온도를 높였더니 악동들이 이렇게 움직였구나!"라고 정확히 알 수 있습니다.

③ 실험 공간의 설정: "보이지 않는 변수들을 모두 잡자"

• 비유: 요리를 할 때 단순히 '재료'만 조절하는 게 아니라, 불의 세기, 조리 시간, 뚜껑을 덮는 속도, 심지어 공기 중의 수분까지 모두 조절해야 합니다.
• 중요한 점: 기존 연구들은 '재료의 비율'만 중요하게 생각했지만, 이 실험실은 **기체 압력 **(황, 셀레늄 등)과 냉각 속도 같은 '보이지 않는 변수'들을 정밀하게 조절합니다.

④ 안전한 구역 찾기: "혼란스러운 구역은 피하자"

• 비유: 재료가 순수하게 존재하는 '안전한 구역 (단상 영역)'을 먼저 찾아낸 뒤, 그 안에서만 실험을 진행합니다.
• 이유: 안전하지 않은 구역 (불순물이 섞인 곳) 에서는 결과가 너무 복잡해져서 원인을 알 수 없습니다. 먼저 '순수한 구역'의 경계를 찾아낸 뒤, 그 안에서만 결함체의 움직임을 관찰합니다.

5. 왜 이것이 중요한가? (구리 - 아연 - 주석 - 황/셀레늄 사례)

논문은 태양전지 재료인 CZTSSe를 예로 들었습니다.

• 현실: 지난 20 년간 수천 편의 논문이 나왔지만, 정작 중요한 '기체 압력'이나 '냉각 속도'에 대한 데이터는 거의 없습니다. 마치 "요리 레시피는 다 적어놨는데, 불 조절법은 안 적어놓은" 상황입니다.
• 예상: 이 새로운 방식으로 실험을 하면, 수만 번의 실험이 필요할 수 있습니다. 하지만 이렇게 쌓인 데이터는 **인공지능 **(AI)이 "어떤 조건을 주면 어떤 결함체가 생기고, 그 결과 어떤 성능이 나오는지"를 완벽하게 이해하게 해줍니다.

6. 결론: "과학의 내비게이션"을 만들자

이 논문은 "자율 주행 실험실은 단순히 정답을 찾는 자동차가 아니라, 미지의 대륙을 탐험하는 지도 제작자가 되어야 한다"고 주장합니다.

• 기존 방식: "어디로 가야 가장 빠른가?" (최적화)
• 새로운 방식: "이 지형은 왜 이렇게 생겼고, 비가 오면 어떻게 변할까?" (과학적 탐구)

이렇게 하면, 앞으로 새로운 재료를 개발할 때 시행착오를 줄이고, 이론과 실험이 완벽하게 연결된 진정한 '데이터 기반 과학'을 이룰 수 있게 됩니다. 우프살라 대학교에서는 이미 **'BERTHA'**라는 이름의 이런 실험실을 구축 중이며, 이를 통해 재료 과학의 새로운 시대를 열고자 합니다.

기술 요약

1. 문제 제기 (Problem)

• 기존 자율 주행 실험실 (SDL) 의 한계: 현재 대부분의 SDL 은 '최적화 (Optimisation-driven)'에 초점을 맞추고 있습니다. 이러한 시스템은 기계 학습 (ML) 을 사용하여 특정 성능 지표 (예: 태양전지 효율, 촉매 활성도) 를 극대화하는 실험 조건을 빠르게 수렴시키는 데 탁월합니다. 그러나 이 과정에서 생성된 대리 모델 (Surrogate model) 은 실험 설정과 성능 간의 매핑에 그쳐, 합성 조건과 소재의 물리적/화학적 특성 사이의 근본적인 인과 관계 (메커니즘) 에 대한 통찰력을 제공하지 못합니다.
• 광전자 소재의 복잡성: 광전자 소재 (특히 다원소 무기 반도체) 의 성질은 '결함 (Defect)'의 물리와 화학에 의해 지배됩니다. 결함의 종류, 농도, 공간적 배열 (Defectome) 은 합성 조건 (온도, 압력, 조성 등) 에 민감하게 반응하며 소재의 밴드갭, 전하 수송, 안정성 등을 결정합니다.
• 데이터의 부재: 기존 실험 데이터는 주로 최적 성능을 내는 '좋은' 영역에 집중되어 있으며, 결함 물리를 규명하는 데 필수적인 열역학적 및 운동학적 변수 (예: 부분 압력, 냉각 속도) 가 체계적으로 제어되거나 보고되지 않아, 합성 - 특성 관계를 이해하는 데 한계가 있습니다.

2. 방법론 (Methodology)

저자는 '최적화'가 아닌 '탐색 (Exploration-driven)' 또는 '과학적 (Scientific)' SDL 패러다임을 제안하며, 이를 구현하기 위한 4 가지 설계 원칙을 제시합니다.

• 핵심 개념: Defectome (결함체)

  • 소재 내 점 결함, 결함 복합체, 선/면 결함, 그리고 거시적 구조까지 포함하는 결함의 집단과 공간적 조직을 총칭하는 개념입니다. SDL 의 목표는 합성 조건을 변화시켜 이 'Defectome'의 상태를 체계적으로 조작하고, 이에 따른 물성 변화를 측정하는 것입니다.

• 설계 원칙 1: 기능 중심의 조합성 시료 (Function-first Combinatorial Samples)

  • 단위 실험으로 박막 형태의 조합성 시료 (Combinatorial thin films) 를 사용합니다.
  • 합성 속도와 효율성을 위해 물리 기상 증착 (PVD) 등을 활용하며, 구조/화학적 분석보다는 결함에 민감한 기능적 특성 (광학 응답, 전하 수송 등) 을 빠르게 측정하는 데 중점을 둡니다.

• 설계 원칙 2: 상 형성 (Phase Formation) 과 Defectome 진화의 분리

  • 1 단계 (상 형성): 특정 조건에서 균일한 조성과 단일 상을 갖는 '베이스라인' 박막을 생성합니다.
  • 2 단계 (Defectome 진화): 생성된 박막을 별도의 열처리 장치 (예: 급속 열처리기, RTP) 로 이송하여, 부분 압력, 온도, 시간, 냉각 속도 등을 독립적으로 제어하며 결함 상태를 변화시킵니다.
  • 이 분리를 통해 합성 공정의 엔지니어링 변수와 소재 물리 변수를 분리하여 데이터의 물리적 명확성을 확보합니다.

• 설계 원칙 3: Defectome 조작을 위한 실험 공간 설정

  • 실험 공간은 조성 ($C_i$), 휘발성 성분의 부분 압력 ($p_i$), 온도 ($T$), 시간 ($t$), 냉각 속도 ($Q$) 등을 축으로 정의됩니다.
  • 특히 휘발성 성분 (S, Se, SnS 등) 의 부분 압력을 정밀 제어할 수 있는 장치가 필수적입니다.

• 설계 원칙 4: 단일 상 영역 (Single-phase Region) 에 의한 실험 공간 제약

  • SDL 은 먼저 기능적 특성 측정 데이터를 기반으로 '단일 상 영역'의 경계를 탐지합니다.
  • 단일 상 영역 내부에서만 Defectome 의 진화를 탐색하도록 제한하여, 2 상 이상의 공존으로 인한 물성 왜곡을 방지하고 순수한 결함 물리 데이터를 확보합니다.

3. 주요 기여 (Key Contributions)

• 과학적 SDL 의 패러다임 전환 제안: 단순한 성능 최적화를 넘어, 물리 법칙에 기반한 메커니즘적 이해와 재사용 가능한 데이터셋 생성을 목표로 하는 SDL 의 새로운 프레임워크를 정립했습니다.
• Defectome 개념의 도입: 소재의 내부 상태를 포괄적으로 설명하는 'Defectome'이라는 용어와 개념을 도입하여, 합성 조건과 물성 간의 관계를 체계적으로 논의할 수 있는 언어를 제공했습니다.
• CZTSSe (Cu₂ZnSn(S,Se)₄) 사례 연구:
  • Cu₂ZnSn(S,Se)₄ (케스터라이트) 를 사례로 들어, 기존 문헌 데이터가 결함 물리에 필수적인 변수 (부분 압력, 냉각 속도 등) 를 얼마나 간과하고 있는지 분석했습니다.
  • CZTSSe 의 Defectome 매핑을 위해 필요한 실험 축 (조성, 4 가지 부분 압력, 온도, 시간, 냉각 조건 등) 을 구체화하고, 이를 탐색하기 위해 수만 개의 실험이 필요할 수 있음을 보여주었습니다.
• BERTHA 플랫폼 소개: 우프살라 대학교에서 개발 중인 실제 SDL 플랫폼 'BERTHA'를 소개하며, 스퍼터링과 RTP 를 결합한 2 단계 자동화 시스템을 통해 하루 20~30 개의 조합성 시료를 처리할 수 있음을 시연했습니다.

4. 결과 (Results)

• 기존 데이터의 한계 확인: CZTSSe 관련 395 편의 논문 분석 결과, 합성 온도와 시간은 90% 이상 보고되었으나, S/Se 부분 압력은 23%, SnS/SnSe 압력은 2% 만 보고되었습니다. 냉각 속도 역시 정량적 보고가 극히 드물었습니다. 이는 기존 데이터가 결함 물리 규명에 불충분함을 시사합니다.
• 체계적 데이터셋의 필요성: 제안된 SDL 방식을 적용하면, 단일 상 영역 내에서 열역학적 및 운동학적 변수를 체계적으로 변화시키며 결함 민감 특성을 측정할 수 있습니다. 이는 기존에 불가능했던 '결함 - 합성 - 특성'의 인과 관계를 규명하는 구조화된 데이터셋을 생성합니다.
• ML 모델의 고도화: 생성된 데이터는 단순한 상관관계가 아닌 물리 기반의 메커니즘을 학습할 수 있게 하여, 역설계 (Inverse Design) 및 물리 정보 기반 신경망 (PINN) 등의 고도화된 AI 모델 훈련에 기여합니다.

5. 의의 및 중요성 (Significance)

• 데이터 중심 과학의 새로운 지평: SDL 이 단순한 자동화 도구가 아닌, 소재의 근본적인 물리 법칙을 규명하는 '과학적 도구'로 진화할 수 있음을 보여줍니다.
• 이론과 실험의 간극 해소: 첫 번째 원리 (First-principles) 계산만으로는 예측하기 어려운 복잡한 결함 상호작용을 실험적으로 규명할 수 있는 길을 열어줍니다.
• 미래 소재 설계의 토대: 체계적으로 생성된 'Defectome 데이터'는 향후 다양한 광전자 소재 및 기능성 소재에 적용되어, 합성 지식을 갖춘 (Synthesis-aware) AI 모델을 통해 차세대 소재를 합리적으로 설계하는 데 핵심적인 역할을 할 것입니다.
• FAIR 데이터 원칙 준수: 생성된 데이터는 기계 판독 가능하고 재사용 가능하며 (FAIR principles), 공개 데이터베이스를 통해 전 세계 연구 커뮤니티에 기여할 수 있는 인프라를 제공합니다.

요약하자면, 이 논문은 광전자 소재의 성능 한계를 극복하기 위해서는 단순한 성능 최적화가 아닌, '결함 (Defect)'의 물리를 체계적으로 이해하는 탐색형 자율 실험실 (Scientific SDL) 이 필수적임을 주장하며, 이를 위한 구체적인 설계 원칙과 실행 방안을 제시합니다.