Multitask Scanning Probe Microscopy

탐정의 딜레마: 보이지 않는 세계를 매핑하기

당신이 거대하고 투명한 도시 구역에서 미스터리를 풀려는 탐정이라고 상상해 보십시오. 당신에게는 아주 작은 세부 사항까지 볼 수 있는 특별한 돋보기가 있습니다. 하지만 이 돋보기에는 두 가지 종류가 있습니다. 하나는 거리의 형태를 알려주는 빠르고 부드러운 '살짝 엿보기'이고, 다른 하나는 건물의 전기 배선과 비밀을 밝혀내지만 시간이 아주 오래 걸리고 실수로 물건을 쓰러뜨릴 수도 있는 느리고 무거운 '정밀 조사'입니다. 재료 과학의 세계에서 이 '도시 구역'은 재료의 미세한 표면이며, '돋보기'는 주사 탐침 현미경(SPM)이라 불리는 도구입니다. 과학자들은 더 나은 전자 제품, 배터리, 태양 전지를 만들기 위해 이 도구들을 사용하여 재료가 어떻게 작동하는지 이해합니다.

과학자들이 직면한 큰 문제는, 이 재료들이 그들이 관찰해야 할 아주 작은 세부 사항들에 비해 너무나 거대하다는 점입니다. 하나의 컴퓨터 칩이나 새로운 유형의 금속 판에는 확인해야 할 지점이 수천 개나 있을 수 있습니다. 만약 그들이 모든 지점에서 느리고 무거운 정밀 조사를 시도한다면, 수년이 걸릴 것이고 샘플을 망가뜨릴 수도 있습니다. 만약 그들이 빠른 엿보기만 사용한다면, 중요한 비밀을 놓치게 될 것입니다. 오랫동안 해결책은 모든 지점에서 두 가지를 모두 수행하는 것이었지만, 이는 시간과 에너지를 낭비하는 일이었습니다. 그렇다면 현미경이 스스로 어디를 볼지, 그리고 어떤 도구를 사용할지 결정할 수 있다면 어떨까요? 즉, 한 지점에서 배운 것을 바탕으로 다음 지점에서는 어떤 일이 일어날지 추측할 수 있다면 말입니다. 이것이 바로 이 논문이 다루는 과제입니다. 현미경이 언제 부드럽게 보고 언제 깊게 파고들어야 할지 스스로 결정하는 자율적인 탐정이 되도록 가르쳐서, 미스터리를 해결하면서도 시간을 절약하는 것입니다.

논문의 이야기: 선택하는 법을 배우는 스마트 현미경

이 연구에서 연구진은 "멀티태스크 주사 탐침 현미경 기술(multitask scanning probe microscopy)"이라는 새로운 방식의 현미경 사용법을 소개했습니다. 이것은 현미경에게 두 가지 서로 다른 일을 동시에 처리할 수 있는 두뇌를 주는 것과 같습니다. 보통 과학자들이 재료를 매핑할 때, 그들은 다음과 같은 결정을 내려야 합니다. "이 구역 전체를 빠르고 부드러운 모드로 스캔할 것인가, 아니면 매 지점마다 멈춰서 느리고 상세한 테스트를 할 것인가?" 모든 곳에서 두 가지를 모두 하는 것은 너무 느리고, 하나만 하는 것은 지식의 공백을 남깁니다.

연구팀은 현미경이 단순히 볼 지점을 고르는 것이 아니라, '어떻게' 볼 것인지까지 고르는 시스템을 만들었습니다. 그들은 "멀티태스크 가우시안 프로세스(multitask Gaussian process)"라는 수학적 기법을 사용했습니다. 당신이 도시 전체의 날씨를 예측하려고 한다고 상상해 보십시오. 당신에게는 두 개의 센서가 있습니다. 하나는 온도(빠르고 쉬움)를 측정하고, 다른 하나는 습도(느리고 까다로움)를 측정합니다. 만약 당신이 이 도시에서 온도와 습도가 보통 함께 움직인다는 것을 알고 있다면, 모든 곳에서 습도를 측정할 필요가 없습니다. 몇몇 새로운 지점에서 온도를 측정하면, 당신의 스마트한 두뇌는 온도에서 배운 것을 바탕으로 그 지점의 습도를 추측할 수 있습니다.

실험실에서 연구진은 이를 알루미늄 스칸듐 질화물(Aluminum Scandium Nitride)로 만들어진 특수 웨이퍼(재료의 얇은 조각)에 테스트했습니다. 그들은 측정 가능한 지점이 1,100개가 넘는 격자를 설정했습니다. 그들은 두 가지 '태스크(task)'를 정의했습니다:

1. 태스크 A: 태핑 모드(Tapping-mode) 이미징. 이는 표면의 거칠기를 느끼기 위해 부드럽게 '톡톡톡' 두드리는 것과 같습니다. 빠르고 샘플에 해를 끼치지 않습니다.
2. 태스크 B: DART 모드 이미-징. 이는 더 복잡한 접촉 기반 측정으로, 표면의 거칠기를 느끼기는 하지만 표면과 다르게 상호작용하며 시간이 더 오래 걸립니다.

실험은 '학습 단계'로 시작되었습니다. 현미경은 다섯 개의 무작위 지점에 가서 부드러운 탭(tap)과 복잡한 접촉 테스트를 모두 수행했습니다. 이는 시스템이 두 측정값 사이의 관계를 학습하도록 했습니다. 그들은 강력한 연결 고리를 발견했습니다. 부드러운 탭에서 표면이 거칠면, 복잡한 테스트에서도 대개 거칠게 나타났으며, 상관관계 점수는 0.752였습니다.

시스템이 이 관계를 학습하자, 진짜 마법이 일어났습니다. 현미경은 '폐쇄 루프(closed-loop)' 모드로 진입했습니다. 즉, 스스로 생각하고, 결정하고, 행동할 수 있게 된 것입니다. 현미경은 자신이 알고 있는 지도를 살펴보고 질문했습니다. "다음에는 어디를 봐야 하고, 가장 많은 것을 배우기 위해 어떤 도구를 사용해야 할까?"

모든 지점을 두 가지 도구로 모두 확인하는 대신, 현미경은 한 지점을 골라 두 가지 중 '하나의' 테스트만 수행하기 시작했습니다. 만약 새로운 지점에서 부드러운 탭을 수행했다면, 시스템은 학습된 관계를 사용하여 해당 지점의 복잡한 테스트 결과에 대한 추측을 업데이트했습니다. 그 반대의 경우도 마찬가지였습니다. 25단계에 걸쳐 현미경은 25개의 새로운 측정을 수행했습니다. 현미경은 자신이 가장 많이 배울 수 있다고 판단한 곳에 따라, 복잡한 DART 테스트를 14번, 부드러운 태핑 테스트를 11번 수행했습니다.

결과는 인상적이었습니다. 실험이 끝날 무렵, 현미경은 각 위치에서 한 가지 유형의 측정만 수행했음에도 불구하고 웨이퍼 전체의 거칠기를 높은 신뢰도로 매핑했습니다. 현-미경은 두 태스크 모두에서 지도의 불확실성을 약 80% 줄였습니다. 이 시스템은 모든 것을 이해하기 위해 모든 것을 두 번씩 측정할 필요가 없으며, 단지 측정 방식을 얼마나 스마트하게 혼합하느냐가 중요하다는 것을 증명했습니다.

이 논문은 반드시 정해진 순서대로 측정을 수행해야 한다거나, 모든 지점을 모든 도구로 측정해야 한다는 생각을 명시적으로 배제합니다. 그들은 고정되고 경직된 계획은 비효율적이라는 것을 보여주었습니다. 그러나 그들은 또한 이 특정 성공이 두 태스크가 (둘 다 거칠기를 측정한다는 점에서) 강력하게 연관되어 있었기에 가능했다는 점도 언급했습니다. 그들은 두 태스크가 매우 다르거나 약하게 연관되어 있다면, 시스템에 더 복잡한 수학적 모델이 필요할 수 있다고 제안했습니다. 하지만 그 기초는 이제 마련되었습니다.

요약하자면, 연구진은 호기심 많고 효율적인 탐정처럼 행동하는 현미경을 구축했습니다. 현미경은 표면을 빠르게 훑어보는 것만으로도 더 깊은 특성에 대해 많은 것을 알 수 있다는 것을 배웠고, 이를 통해 불필요한 단계를 건너뛸 수 있었습니다. 이 접근 방식은 단순히 시간을 절약하는 것에 그치지 않고, 이전에는 전체를 상세히 매핑하기에 너무 크거나 너무 섬세했던 거대하고 복잡한 재료 라이브러리를 탐사할 수 있는 문을 열어줍니다. 저자들은 이 방법이 향 eventually 표면 형상과 전기 전류 또는 자기장을 결합하는 것처럼 훨씬 더 다양한 종류의 측정들을 혼합하여, 현미경이 다음에 연구해야 할 가장 중요한 지점으로 안내하도록 하는 데 사용될 수 있다고 제안합니다.