Electronic and chemical phase identification in photoemission experiments using unsupervised machine learning

물질의 가장 근본적인 수준에서 물질 세계를 이해하기 위해, 과학자들은 종종 고체 내부에서 전자가 어떻게 행동하는지를 관찰합니다. 매우 특정한 종류의 빛을 물질에 비춘다고 상상해 보십시오. 이 빛은 전자를 아주 작은 입자인 전자로부터 떼어냅니다. 이 전자들을 포착하여 그 속도와 방향을 측정함으로써, 연구자들은 물질의 보이지 않는 전자 구조를 그려낼 수 있으며, 이를 통해 물질이 어떻게 전기를 전도하거나 빛과 상호작용하는지를 밝혀낼 수 있습니다. 광전자 분광법(photoemission spectroscopy)이라고 알려진 이 기술은 매우 강력하지만, 한 가지 좌절스러운 한계점을 가지고 있습니다. 바로 물질의 최상층에 극도로 민감하다는 점입니다. 측정되는 전자는 1나노미터 미만의 깊이에서 나오기 때문에, 표면은 반드시 완벽하게 신선하고 깨끗해야 합니다. 실험이 진행되는 진공 챔버 안에서는 아무리 깨끗한 표면이라 할지라도 이틀 이내에, 종종 그보다 훨씬 빠르게 변질되거나 변화하기 시작합니다. 이는 시간과의 싸움을 만듭니다. 과학적 탐구가 시작되기 전, 연구자는 샘플에서 측정할 완벽한 지점을 찾아야 합니다.

문제는 이러한 신선한 표면들이 흔히 지저이고 불균일하다는 점입니다. 단 하나의 샘플 안에 서로 다른 화학적 조성을 가진 구역, 다양한 두께의 층, 또는 서로 다른 각도로 뒤틀린 영역들이 존재할 수 있습니다. 최적의 지점을 찾기 위해 과학자들은 전통적으로 격자 스캔(raster scan)이라고 불리는 방법을 사용합니다. 그들은 마치 잔디를 깎는 잔디깎이 기계처럼 샘플을 엄격한 격자 패턴으로 움직이며, 모든 교차점에서 측정을 수행합니다. 그러고 나서 멈춰 서서 데이터를 살펴본 뒤, 더 작은 영역을 확대하여 다시 스캔할지 결정합니다. 이 과정은 느리고 시간을 많이 소모하며, 신선한 표면의 제한된 수명을 낭비하게 만듭니다. 만약 과학자가 너무 촘촘한 격자를 선택하면, 똑같은 것을 반복해서 측정하느라 시간을 낭비하게 됩니다. 반대로 격자가 너무 성기면, 흥미로운 특징들을 완전히 놓칠 수도 있습니다. 이 분야가 직면한 질문은, 컴퓨터가 인간이 격자를 사용하는 것보다 더 빠르고 똑똑하게 이 복잡한 지형을 항해할 수 있는가 하는 것이었습니다.

최근 한 연구에서 연구팀은 머신러러닝을 사용하여 실험을 안내하도록 설계된 AARDVARK라는 새로운 접근 방식을 도입했습니다. 이 시스템은 경직된 격자를 따르거나 무작위로 추측하는 대신, 진행하면서 배우는 지능적인 탐험가처럼 행동합니다. 연구진은 탄소 원자 한 층으로 구성된 물질인 그래핀 두 층으로 이루어진 복잡한 샘플을 사용하여 이 아이디어를 테스트했습니다. 실험 설정에서, 거대한 완벽한 결정 구조의 그래핀이 바닥 역할을 했고, 그 위에 다결정 형태의 그래핀 두 번째 층이 놓였습니다. 이 상단 층은 균일하지 않았습니다. 이 층은 하단 층에 대해 서로 다른 각도로 뒤틀린 수많은 작은 영역들로 구성되어 있었습니다. 이는 실제 실험에서 과학자들이 마주치는 복잡하고 불균일한 표면을 모사하며, 위치에 따라 전자적 특성이 변하는 지형을 만들어냈습니다.

AARDVKA 시스템은 "다음에 무엇을 측정해야 하는가?"라는 질문을 끊임없이 던지며 작동합니다. 시스템은 몇 번의 측정을 먼저 수행한 다음, 데이터를 시각화하기 위해 강력한 수학적 도구를 사용합니다. 시스템은 에너지와 운동량을 설명하는 수천 개의 데이터 포인트로 이루어진 각 측정값의 방대한 정보를 단순하고 다채로운 지도로 압축합니다. 이 지도에서 유사한 전자적 특성을 가진 지점들은 비슷한 색상으로 나타나고, 서로 다른 특성을 가진 지점들은 다른 색상으로 나타납니다. 이를 통해 시스템은 모든 숫자 뒤에 숨겨진 복발적인 물리학을 이해할 필요 없이, 샘플의 전자적 지형이 가진 '형태'를 볼 수 있습니다.

이 다채로운 지도를 얻으면, 시스템은 가우시안 프로세스 회귀(Gaussian process regression)라는 방법을 사용하여 측정되지 않은 부분의 모습을 예측합니다. 이것은 단순히 새로운 지점의 값을 예측할 뿐만 아니라, 자신의 추측이 얼마나 불확실한지도 계산하는 똑똑한 추측가와 같습니다. 시스템은 가장 불확실한 영역을 우선적으로 조사하도록 프로그래밍되어 있습니다. 만약 지도의 색상이 한 지점에서 다음 지점으로 넘어갈 때 급격하게 변한다면, 시스템은 두 영역 사이의 경계를 발견했다고 판단하고, 그 경계를 더 정밀하게 정의하기 위해 측정 빔을 그 가장자리로 보냅니다. 만약 어떤 영역이 균일해 보인다면, 시스템은 다시 측정하는 것이 새로운 정보를 제공하지 않을 것임을 알고 그곳을 건너뜁니다. 이를 통해 시스템은 에너지와 관심을 경계선과 샘플의 독특한 특징들에 집중시키고, 지루하고 반복적인 부분들은 무시할 수 있습니다.

연구진은 AARDVARK가 얼마나 잘 수행되는지 확인하기 위해 8,000개 이상의 사전 측정된 데이터 포인트를 사용하여 컴퓨터 시뮬레이션을 수행했습니다. 그들은 머신러닝 방식, 표준 격자 스캔, 그리고 논리 없이 점을 선택하는 무작위 탐색이라는 세 가지 서로 다른 시나리오를 실행했습니다. 결과는 놀라웠습니다. 단 400에서 600번의 측정만으로도, AARDVARK 시스템은 격자 및 무작위 방식이 1,000에서 2,000번의 측정을 거친 후에야 달성할 수 있었던 명확도로 샘플의 주요 경계와 뚜렷한 영역들을 식별해 냈습니다. 직선으로 이동하는 격자 방식은 동일한 균일 영역을 반복해서 측정하며 시간을 낭비했고, 무작위 방식은 노력을 너무 넓게 분산시켜 특정 형태를 정의하는 데 실패했습니다. 반면, AARD-VARK는 서로 다른 영역 사이의 전이 지점을 빠르게 포착하여, 훨씬 적은 단계로 샘플의 전자적 지형 지도를 효과적으로 그려냈습니다.

이러한 효율성은 단순히 시간을 절약하는 것 이상의 의미를 갖습니다. 그것은 샘플을 보존하는 것에 관한 것입니다. 신선한 표면은 매우 빠르게 변질되기 때문에, 모든 측정은 매우 중요합니다. 흥미로운 영역을 더 빨리 찾아냄으로써, AARDVARK는 샘플이 측정 빔에 노출되는 총 시간을 줄여주며, 이는 때때로 물질에 손상을 줄 수 있는 문제를 방지합니다. 또한 이 시스템은 전자 구조를 매핑하는 측정과 원자의 화학적 조성을 식별하는 측정이라는 두 가지 다른 유형의 측정을 모두 처리할 수 있을 만큼 유연하다는 것을 증명했습니다. 이 두 측정 방식은 샘플을 바라보는 방식이 다르지만, 시스템은 전자 지도상의 경계가 화학 지도상의 경계와 완벽하게 일치하지 않을 수 있음을 인식하고 그에 맞춰 탐색을 조정하며 두 방식 모두에 적응했습니다.

이 연구는 컴퓨터가 경직되고 계획된 경로보다 복잡한 물리적 환경을 훨씬 더 효율적으로 항해할 수 있음을 보여줍니다. 복잡한 데이터를 단순화하는 방법과 불확실성을 통해 학습하는 방법을 결합함으로써, 연구진은 실시간으로 실험을 안내할 수 있는 도구를 만들어냈습니다. 이는 미래에 과학자들이 적절한 지점을 찾는 데 드는 시간을 줄이고, 실제 과학 연구에 더 집중할 수 있게 해줄 것입니다. 또한, 이 작업은 실험의 미래가 데이터 자체가 연구자에게 다음에 어디를 보아야 할지를 알려주는 방식, 즉 느리고 수동적인 탐색을 역동적이고 지능적인 탐험으로 바꾸는 데 있음을 시사합니다.