An Open-Source Hardware and Software Toolkit to Enable Agentic RHEED-Guided Thin-Film Synthesis

기술 요약: 에이전트 기반 RHEED 유도 박막 합성을 가능하게 하는 오픈 소스 하드웨어 및 소프트웨어 툴킷

문제 정의
반사 고에너지 전자 회절(RHEED)은 에피택셜 박막 성장을 모니터링하기 위한 표준적인 실시간 진단 도구로서, 표면 형태, 격자 간격, 성장 모드에 대한 결정적인 데이터를 제공한다. 그러나 RHEE의 완전한 자율 합성을 위한 잠재력은 자동화되지 않은, 운영자 의존적인 워크플로우에 의해 현재 제한되어 있다. 구체적으로, 전자빔의 정렬과 시료의 결정학적 방위(azimuth) 설정은 종종 주관적인 시각적 판단에 의존하며, 이는 실험 간의 변동성을 유발한다. 또한, RHEED 데이터의 정량적 분석은 일반적으로 자동화된 오케스트레이션을 위한 표준화된 인터페이스가 결여된, 특정 장비별 맞춤형 스크립트를 필요로 한다. 머신러닝(ML)이 RHEED 패턴 분류 및 성장 모드 검출에 적용되어 왔으나, 이러한 발전은 재현 가능한 획득 기하 구조의 부재와 전자 광학 자체에 대한 오픈 소스 기반의 프로그래밍 가능한 제어 기능의 부재로 인해 저해되고 있다. 자율 합성에서 기계가 읽을 수 있는 관측값으로서 RHEED이 직면한 병목 현상은 하드웨어 제어뿐만 아니라, 이를 둘러싼 획득 방법론과 분석 파이프라인 모두에 존재한다.

방법론
저자들은 프로그래밍 가능한 RHEED 획득, 자동 정렬 및 정량적 분석을 가능하게 하기 위해 설계된 포괄적인 오픈 소스 하드웨어 및 소프트웨어 툴킷을 제시하며, 이를 펄스 레이저 증착(PLD) 시스템에서 입증하였다.

1. 하드웨어 제어 (FPGA 기반): 연구팀은 Xilinx Zynq 기반 PYNQ FPGA 플랫폼을 사용하는 저비용 오픈 소스 제어 체인을 개발하였다. 이 시스템은 HTTP 서버를 통해 명령을 수신하며, 디지털-아날로그 변환기(DAC)를 구동하여 전자 총 파라미터(방출 전류, 전압, 초점)와 4개의 편향 코일(X1, X2, Y1, Y2)을 제어한다. 이 설정은 빔 조향을 위한 임의의 동기화된 전압 시퀀스를 가능하게 한다.
2. 자동 빔 정렬: 글랜싱 각도(glancing angle)를 스윕하는 동안 일정한 빔 착륙 위치를 유지하기 위해 필요한 수직 편향 코일(X1 및 X2) 간의 선형 결합을 결정하는 캘리브레이션 루틴을 구축하였다. 2D 전압 스윕 동안 스펙큘러 강도(specular intensity)를 최대화함으로써, 시스템은 "빔 중심 조건"(선형 방정식)을 도출하여 빔 드리프트 없는 자동 로킹 커브(rocking-curve) 획득을 가능하게 한다.
3. 훈련이 필요 없는 방위 정렬: 시료를 대칭적인 결정학적 존 축(zone axis)에 정렬하기 위해, 저자들은 훈련이 필요 없는 루틴을 도입하였다. 이 방법은 구조적 유사성 지수(SSIM)를 사용하여 회절 패턴의 좌우 거울 대칭성을 평가한다. 루틴은 직접 빔(direct beam)과 그림자 가장자리(shadow edge)를 자동으로 감지하여 시료 기울기를 보정하고, 패턴 대칭성을 최대화하는 각도를 찾기 위해 시료 방위를 스캔한다.
4. Auto-RHEED 소프트웨어: 디커플링된 Python 분석 코어를 가진 브라우저 기반 애플리케이션인 Auto-RHEED이 개발되었다. 이 소프트웨어는 다음 기능을 갖추고 있다:
   • 정량적 분석: RHEED 이미지 시퀀스로부터 인플레인(in-plane) 격자 간격, 겉보기 결맞음 길이(coherence length), 성장률(푸리에 분석을 통한 강도 진동)을 추출한다.
   • 확장 가능한 어댑터 아키텍처: 소프트웨어는 AI 모델(예: DINOv3 임베딩, YOLO 세그멘테이션), 시계열 분석 방법(예: RHAAPsody), 물리 기반 시뮬레이션(예: torch-rheed)을 위한 교체 가능한 "어댑터"를 지원한다.
   • 에이전트 인터페이스: 모델 컨텍스트 프로토콜(MCP) 서버는 모든 분석 도구를 대규모 언어 모델(LLM)에 노출한다. 이를 통해 AI 에이전트는 자연어 요청에 따라 루틴을 선택하고, 파라미터를 구성하며, 분석을 실행할 수 있으며, 이는 그래픽 인터페이스를 통해 인간 운영자가 수행하는 능력을 모사한다.

주요 결과

• 빔 제어: FPGA 기반 시스템은 편향 코일을 성공적으로 캘리브레이션하여, 각도 스윕 중에 빔 위치를 유지하는 코일 전압 간의 선형 관계($R^2 = 0.994$)를 달성하였다. 이를 통해 자동화된 로킹 커브 획득이 가능해졌다.
• 방위 정렬: 자가 대칭성 루틴은 SrTiO$_3$ 기판에 대해 최적의 [110] 방위 정렬을 성공적으로 식별하였으며, 사전 학습 데이터나 수동 특징 선택 없이도 정확한 각도에서 날카로운 SSIM 피크를 찾아냈다. 이 방법은 시료 기울기와 마운팅 변화에 대해 견고함을 입증하였다.
• 정량적 분석: Auto-RHEED은 PLD 성장 데이터로부터 구조적 및 운동학적 관측값을 성공적으로 추출하였다. 격자 간격 및 결맞음 길이의 단층(monolayer) 주기적 진동을 분해하였으며, 수동 분석과 일치하는 성장률(예: 0.1334 ML s$^{-1}$)을 계산하였다.
• 에이전트 시연: 자연어 요청을 받은 AI 에이전트는 다른 SrTiO$_3$ 박막에 대해 전체 분석 워크플로우를 성공적으로 수행하였다. 에이전트는 관심 영역을 자동으로 선택하고, 시스템을 캘리브레이션하였으며, 그래픽 인터페이스를 통해 얻은 것과 동일한 정량적 결과(격자 간격, 성장률)를 반환하며 1분 이-내에 세션을 완료하였다.
• 시뮬레이션 및 AI 추론: 툴킷은 실험적 로킹 커브를 역학적 회절 시뮬레이션(torch-rheed)과 성공적으로 비교하여 피크 위치의 높은 일치성을 보여주었다. 또한, 사전 학습된 비전 모델(DINOv3)을 사용하여 RHEED 프레임을 임베딩함으로써, 특정 작업 학습 없이도 서로 다른 성장 단계(2D, 혼합 2D+3D, 3D/다결정)를 구분하는 비지도 클러스터링을 수행하였다.

의의 및 주장
저자들은 이 툴킷이 새로운 계산 방법의 도입을 용이하게 하고 에이전트 제어를 가능하게 함으로써, 재현 가능하고 정량적인 RHEED 측정의 명확한 경로를 제공한다고 주장한다. 주요 주장은 다음과 같다:

• 접근성: 본 툴킷은 공유된 표준화된 인터페이스(GUI 및 MCP)를 통해 인간 운영자와 AI 에이전트 모두에게 RHEED 제어 및 분석에 대한 접근성을 제공한다.
• 재현성: 빔 정렬과 방위 배향을 자동화함으로써, 시스템은 운영자 의-존적 변동성을 줄이며, 이는 신뢰할 수 있는 실험 피드백을 위한 자율 합성의 핵심 단계이다.
• 확장성: 어댑터 아키텍처를 통해 커뮤니티에서 개발된 방법론(새로운 AI 모델 또는 회절 시뮬레이션 등)을 핵심 소프트웨어의 수정 없이 매끄럽게 통합할 수 있어, 플랫폼이 머신러닝 및 물리학의 발전과 함께 진화할 수 있도록 보장한다.
• 자율성을 위한 토대: 프로그래밍 가능한 하드웨어, 훈련이 필요 없는 정렬, 에이전트 접근이 가능한 분석의 결합은 박막 합성의 에이전트 제어를 위한 토대를 마련하며, 여기서 RHEED은 성장 결정을 가이드하기 위해 표면 정보를 능동적으로 탐색하는 소스로 기능한다.

본 논문은 이러한 도구들이 실험의 물리학을 대체하는 것이 아니라, RHEED을 자율 주행 실험실 내에서 기계가 읽을 수 있고 실행 가능한 관측값으로 만들기 위한 필수적인 인프라를 제공한다는 점을 강조한다.