Machine Learning Guided CALPHAD Design of Ru-Stabilized BCC B2 Refractory Alloys

제트 엔진이나 로켓 노즐의 타오르는 열기를 견뎌낼 수 있는 금속은 재료 공학자들이 만들어내야 하는 가장 까다로운 재료 중 하나입니다. 수십 년 동안 이 고온 세계의 챔피언은 니켈 기반 슈퍼합금들이었습니다. 이 재료들은 영리한 내부 구조에 의존합니다. 즉, 부드럽고 유연한 금속 기질(matrix) 속에 서로 다른 결정 구조를 가진 아주 작고 정렬된 섬(islands)들이 흩어져 있어 강도를 높이는 방식입니다. 이러한 배치는 온도가 치솟을 때도 금속이 취성(brittle)을 띠지 않고 강도를 유지할 수 있게 해줍니다. 그러나 니켈 합금은 결국 한계에 부딪힙니다. 온도가 특정 지점을 넘어 상승하면, 이 정렬된 섬들이 구조를 잃고 재료가 파괴되기 때문입니다. 이 한계를 넘어서기 위해 과학자들은 매우 높은 온도에서 녹는 니오븀, 탄탈룸, 몰리브데넘과 같은 텅스텐족 금속(refractory metals)으로 눈을 돌리고 있습니다. 목표는 니켈의 성공적인 구조를 모방하면서도, 니켈이 단순히 녹아버릴 환경에서도 살아남을 수 있는 차세대 합금을 구축하는 것입니다.

문제는 적절한 레시피를 찾는 데 있습니다. 기본 금속들이 안정적이고 유연한 구조를 형성할 수 있다는 것은 알려져 있지만, 강화용 섬을 만들기 위해 필요한 특정 성분들을 추가하는 것은 복잡한 균형 잡기입니다. 잘못된 원소를 추가하면 합금이 원하는 강화상을 만드는 대신 부서지기 쉬운 쓸모없는 화합물을 형성하거나, 너무 일찍 녹아버릴 수 있습니다. 수년간 연구자들은 이러한 레시피를 찾기 위해 시행착오나 느린 단계별 계산에 의존해 왔습니다. 캘리포니아 폴리테크닉 주립대학교와 메리맥 칼리지의 네이선 피터슨, 아빅 마하타와 그 동료들의 새로운 연구는 다른 접근 방식을 취합니다. 그들은 강력한 컴퓨터 시뮬레이션과 머신러닝 전략을 결합하여 가능한 금속 조합의 광대한 영역을 탐색했으며, 1300도씨 이상의 고온에서도 안정적이고 강한 특정 유형의 합금을 찾아냈습니다.

연구진은 체스토형 입방(body-centered cubic) 결정 구조가 유연한 기질 역할을 하고, B2라고 알려진 정렬된 상(phase)이 이를 강화하는 설계를 중심으로 연구했습니다. 이 극한의 열기 속에서 정렬된 상을 안정화하기 위해, 그들은 다른 조합들이 실패하는 온도에서도 이러한 구조를 고정하는 독특한 능력을 보여준 희귀 금속인 루테늄을 활용했습니다. 연구팀은 니오븀, 탄탈룸, 몰리브데넘, 바나듐, 루테늄, 티타늄, 지르코늄, 하프늄, 알루미늄, 이트륨을 포함하는 10개 원소 풀을 탐색했습니다. 그들은 단순히 몇 가지 추측을 테스트한 것이 아니라, 수천 개의 잠재적 레시피를 평가할 수 있는 컴퓨터 시스템을 사용했지만, 효율성을 높일 방법이 필요했습니다. 그들은 '랜덤 포레스트(random forest)' 알고리즘이라는 스마트 필터 역할을 하는 머신러닝 모델을 채택하여, 상세한 계산을 통해 학습된 모델이 검증되지 않은 새로운 레시피의 거동을 예측하게 함으로써, 가장 유망한 후보들에 가장 비용이 많이 들고 시간이 오래 걸리는 계산을 집중할 수 있도록 했습니다.

연구는 500가지의 서로 다른 합금 조성에 대해 상세한 평형 계산을 실행하는 것으로 시작되었습니다. 이 계산은 1000도에서 2500도 사이의 다양한 온도에서 어떤 상이 존재할지를 시뮬레이션했습니다. 연구팀은 성공적인 합금을 위한 네 가지 엄격한 규칙을 세웠습니다. 첫째, 기질과 강화용 섬의 이상(two-phase) 구조가 1300도씨 이상에서도 안정적으로 유지되어야 합니다. 둘째, 합금은 해당 온도에서 액체가 형성되지 않고 완전히 고체 상태를 유지해야 합니다. 셋째, 합금은 '순수'해야 합니다. 즉, 재료의 강도를 망치는 부서지기 쉬운 경쟁 화합물 없이 원하는 기질과 강화상만을 포함해야 합니다. 넷-째, 강화용 섬은 효과적인 보강을 제공하면서도 재료가 너무 취약해지지 않도록 전체 합금의 15에서 55퍼센트 사이의 특정 비율을 차지해야 합니다.

테스트한 500개의 합금 중 단 100개만이 이 네 가지 까다로운 기준을 충족했습니다. 이 20퍼센트의 성공률은 적절한 원소 조합을 찾는 것이 얼마나 어려운지를 잘 보여줍니다. 승자들 중에서 연구진은 루테늄 함량이 10퍼센트 이하로 비교적 낮은 19개의 합금을 찾아냈습니다. 이는 이전 연구에서 루테늄 함량이 높은 합금은 제조 과정에서 균열이 발생하기 쉽다는 점을 고려할 때 중요한 발견입니다. 이 그룹에서 가장 성공적인 레시피는 니오븀을 기반으로 하며, 탄탈룸이나 몰리브데넘이 혼합되고 하프늄에 의해 안정화된 형태였습니다. 특히 눈에 띄는 하나의 합금은 니오븀, 몰리브데넘, 티타늄, 루테늄, 하프늄, 지르코늄으로 구성되었으며, 무려 2250도씨까지 이 상 구조를 유지했습니다. 또한 연구는 기존 실험 연구를 통해 확인된 두 가지 특정 합금을 재발견함으로써, 자신들의 컴퓨터 유도 탐색이 실제적이고 실행 가능한 재료를 찾을 수 있음을 증명하며 그 접근 방식의 타당성을 확인했습니다.

또한 연구는 어떤 원소가 도움이 되고 어떤 원소가 방해가 되는지에 대한 명확한 규칙을 밝혀냈습니다. 루테늄은 고온 안정성의 핵심임이 확인되었습니다. 루테늄 함량을 높이면 합금의 온도 한계가 약 9 또는 10퍼센트까지 높아졌지만, 그 이상을 추가해도 큰 이점은 없었습니다. 다른 원소들 중에서는 하프늄이 안정성을 유지하는 데 가장 효과적이었고, 그 뒤를 지르코늄과 티타늄이 이었습니다. 탄탈룸은 녹는점을 높이는 데 도움을 주었고, 바나듐은 합금이 원치 않는 취성 상을 갖지 않도록 하는 데 중요했습니다. 반대로, 연구는 알루미늄이나 이트륨을 추가하는 것이 거의 항상 실수라는 것을 발견했습니다. 이 원소들은 합금의 무결성을 파괴하는 경쟁적인 취성 상의 형성을 유발하는 경향이 있었습니다. 특히 알루미늄의 존재는 탄탈룸과 결합했을 때 원치 않는 화합물을 형성하는 주요 원인이 되었습니다.

머신러닝 시스템이 유망한 합금들을 성공적으로 식별해 냈지만, 연구는 초기 탐색을 유도하는 방식에 결함이 있었음을 밝혀냈습니다. 후보들을 순위 매기는 데 사용된 컴퓨터 모델이 가장 잘 알려진 경로를 활용하기보다는 불확실한 영역을 탐색하는 데 너무 치중되어 있었습니다. 이러한 편향은 모델이 흥미롭다고 판단한 알루미늄과 지르코늄을 포함한 합금 쪽으로 탐색을 드리우게 만들었으나, 이들은 결국 엄격한 순도 테스트를 통과하지 못했습니다. 연구진은 예측의 불확실성에 가중치를 부여하는 방식이 결과를 왜곡하여, 시스템이 깨끗하고 안정적인 조성 대신 복잡하고 지저도한 조성들을 쫓게 만들었다는 사실을 깨달았습니다. 이러한 통찰은 그 자체로도 매우 가치 있는데, 이는 향히 미래의 탐색을 개선하기 위한 로드맵을 제공하기 때문입니다.

연구는 컴퓨터 모델이 이 금속들의 일반적인 거동을 예측하는 데는 유능했지만, 최종 스크리닝 과정은 더 정밀해질 필요가 있다고 결론지었습니다. 연구진은 단순히 안정적인 합금을 찾는 것만으로는 부족하며, 재료가 적절한 상의 균형을 갖추고 특정 불순물을 피해야 한다고 강조합니다. 그들은 서로 다른 상 사이의 원자 크기 불일치가 향후 작업에서 더 직접적으로 측정되어야 할 중요한 요소임을 확인했습니다. 열역학적 계산과 머신러닝을 결합함으로써, 팀은 텅스텐족 합금의 새로운 영역을 개척했습니다. 그들은 하프늄과 루테늄 같은 원소를 신중하게 선택하고 알루미늄과 이트륨을 피함으로써, 차세대 항공 우주 엔진의 극한 환경에서 작동할 수 있는 금속을 설계할 수 있음을 보여주었습니다. 이 연구는 실험가들이 이 새로운 재료들을 실제로 제작하고 테스트할 수 있는 견고한 토대를 제공하며, 과거의 니켈 기반 챔피언들을 진정으로 능가할 수 있는 합금의 시대로 한 걸음 더 다가가게 합니다.