Atomistic Insights into MOCVD Growth of GaAs using a Closed Loop Autonomous System Combining Directed Reinforcement Learning and Kinetic Monte Carlo Simulations

현대 전자 기기를 구동하는 아주 작고 눈에 보이지 않는 물질 층을 만드는 것은 섬세한 예술입니다. 종종 원자 몇 개 두께에 불과한 이 층들은 가스를 가열하여 반응하게 한 뒤 표면에 안착시켜 고체 박막을 형성하는 특수 챔버 내부에서 성장합니다. 화학 기상 증착(chemical vapor deposition)이라고 알려진 이 과정은 밝은 LED 화면부터 컴퓨터의 고속 칩에 이르기까지 모든 것의 기초가 됩니다. 과학자와 엔지니어들의 과제는 이러한 층을 정확하게 만드는 데 있어 열과 가스 흐름의 완벽한 균형이 필요하다는 점입니다. 온도가 너무 낮으면 원자들이 달라붙지 못하고, 온도가 너무 높으면 원자들이 떨어져 나가거나 분해될 수 있습니다. 전통적으로 이 완벽한 균형을 찾는 것은 연구자들이 수많은 실험을 수행하고, 결과를 측정하고, 설정을 미세하게 조정하고, 다시 시도해야 하는 느리고 비용이 많이 드는 시행착오의 게임이었습니다. 이는 단 하나의 재료를 최적화하는 데 몇 달이 걸릴 수도 있는 자원 집약적인 과정입니다.

이를 가속화하기 위해 과학자들은 오랫동안 컴퓨터를 사용하여 최적의 설정을 예측하려고 노력해 왔습니다. 그러나 박막이 성장하는 물리학은 한꺼번에 모델링하기가 매우 어려운 규모에서 일어납니다. 원자들은 1초의 미미한 시간 동안 진동하고 움직이는 반면, 박막 자체는 몇 분 또는 몇 시간에 걸쳐 성장합니다. 표준 컴퓨터 모델은 이 간극을 메우는 데 어려움을 겪으며, 원자 진동의 미세한 세부 사항에 매몰되거나 시간이 지남에 따라 박막이 어떻게 형성되는지에 대한 큰 그림을 놓치곤 합니다. 인도 공과대학교 간디나가(IIT Gandhinagar) 연구진의 새로운 연구는 이 문제를 해결할 신선한 방법을 제시합니다. 원자 사이의 모든 힘을 처음부터 계산하는 대신, 그들은 실제 실험으로부터 학습하는 시스템을 구축했습니다. 개별 원자를 추적하는 컴퓨터 시뮬레이션과 지능형 탐색 알고리즘을 결합함으로써, 그들은 박막이 어떻게 성장하는지에 대한 숨겨진 규칙을 빠르게 찾아낼 수 있는 도구를 만들었습니다. 즉, 일상적인 측정을 심도 있는 과정에 대한 이해로 전환한 것입니다.

연구진은 고성능 전자 기기와 태양 전지에 널리 사용되는 재료인 갈륨 비소(gallium arsenide)에 집중했습니다. 그들은 두 가지 특정 가스(하나는 갈륨을 포함하고 다른 하나는 비소를 포함하는 가스)로부터 이 재료가 어떻게 성장하는지 이해하고자 했습니다. 컴퓨터 모델 내에서 그들은 성장하는 박막의 표면을 원자가 착륙하고, 달라붙고, 이동하거나, 떨어져 나갈 수 있는 격자(grid)로 시뮬레이션했습니다. 모델에는 가스 분자가 분해되거나, 원자가 표면에 부착되거나, 결합된 원자가 떨어져 나와 가스로 돌아가는 것과 같이 표면에서 발생할 수 있는 20가지의 서로 다른 유형의 사건이 포함되었습니다. 문제는 모델이 이러한 각 사건이 얼마나 빨리 일어나는지를 설명하는 구체적인 숫자를 필요로 하는데, 이 숫자들은 완전히 알려져 있지 않았다는 점입니다. 보통 과학자들은 이 숫자들을 추측하기 위해 비용이 많이 드는 양자 물리학 계산을 수행하며 몇 주를 보내지만, 이 새로운 팀은 다른 길을 택했습니다.

그들은 자신의 시뮬레이션을 체스 같은 복잡한 게임을 하는 데 자주 사용되는 인공지능 기술인 몬테카를로 트리 탐색(Monte Carlo Tree Search) 기반의 스마트 검색 엔진에 연결했습니다. 이 경우, "게임"은 시뮬레이션을 위한 적절한 숫자 세트를 찾는 것이었습니다. 시스템은 대략적인 추측으로 시작하여 시뮬레이션을 실행해 생성된 성장률을 확인했습니다. 그 후 실제 실험에서 수집된 데이터(다양한 온도에서 갈륨 비소의 성장률이 측정된 데이터)와 결과를 비교했습니다. 만약 시뮬레이션이 너무 느리거나 빠르면, 검색 엔진은 숫자를 조정하고 다시 시도했습니다. 수많은 반복 과정을 거치면서 시스템은 시뮬레이션이 실제 세상과 일치하게 만드는 숫자가 무엇인지 학습했습니다. 시스템은 수천 번의 가상 실험을 수행하며 선택을 끊임없이 정교화했고, 넓은 온도 범위에 걸쳐 성장 거동을 설명할 수 있는 단 하나의 규칙 세트를 찾아냈습니다.

결과는 실제 재료의 복잡한 거동을 성공적으로 재현한 모델이었습니다. 실험 데이터는 성장의 세 가지 뚜렷한 단계를 보여주었습니다. 저온에서는 원자들이 달라붙는 데 어려움을 겪기 때문에 박막이 느리게 성장했고, 중간 온도에서는 성장률이 안정적인 평탄 구간(plateau)을 형성했으며, 고온에서는 원자들이 표면에서 떨어져 나가는 속도가 달라붙는 속도보다 빨라지면서 성장률이 급격히 떨어졌습니다. 검색 엔진에 의해 튜닝된 컴퓨터 모델은 이 세 가지 단계를 완벽하게 포착했습니다. 더 중요한 것은, 시스템이 각각의 단계를 주도하는 정확한 물리적 과정을 밝혀냈다는 점입니다. 저온에서는 가스 분자가 표면에 얼마나 잘 달라붙느냐가 성장을 제한했습니다. 온도가 높아짐에 따라 달라붙는 현상은 쉬워졌지만, 가장 높은 온도에서는 원자가 박막에서 떨어져 나와 가스로 돌아가는 과정이 지배적이었습니다. 이 제어권이 '달라붙기'에서 '떨어져 나가기'로 전환되는 현상이 성장률이 정점에 도달했다가 급락하는 이유를 설명해 주었습니다.

모델은 단순히 성장 속도를 맞추는 것을 넘어, 표면 자체에 대한 상세한 뷰를 제공하여 다양한 온도에서 박막이 얼마나 거칠어지는지를 예측했습니다. 시뮬레이션 결과, 표면은 저온에서 가장 매끄러웠으며 온도가 높아짐에 따라 약간 더 거칠어져 성장률이 떨어지기 직전에 거칠기의 정점에 도달하는 것으로 나타났습니다. 이 거칠기는 원자들이 끊임없이 붙었다 떨어졌다를 반복하며 만들어내는 요동치는 표면 때문이었습니다. 모델은 이 거칠기가 특정 온도 범위인 약 1175 켈빈(Kelvin) 근처에서 정점에 달한다는 것을 확인했는데, 이는 박막이 가장 빠르게 성장하는 온도보다 약간 높은 수치였습니다. 이러한 통찰은 엔지니어들에게 박막을 가장 빠르게 성장시키는 방법이 반드시 가장 매끄럽게 만드는 방법은 아닐 수 있다는 점을 알려주며, 속도와 품질 사이의 절충(trade-off)을 강요한다는 사실을 시사합니다.

이 접근 방식의 진정한 힘은 비용이 많이 들고 시간이 오래 걸리는 원자력 계산을 우회할 수 있는 능력에 있습니다. 원자력을 제1원리(first principles)로부터 예측하려고 노력하는 대신, 시스템은 실험 데이터로부터 직접 규칙을 학습합니다. 이는 이 방법이 실험 데이터가 탐색을 안내할 수 있는 어떤 재료에도 적용될 수 있음을 의미합니다. 연구진은 발견된 특정 숫자들은 시뮬레이션을 설정한 방식에 따라 달라질 수 있지만, 어떤 반응이 성장을 제어하는지에 대한 그림은 견고하다고 강조합니다. 이 프레임워크는 본질적으로 실험 데이터라는 블랙박스를 표면에서 일어나고 있는 명확하고 기계적인 이야기로 바꾸어 놓습니다.

이 작업은 첨단 재료의 제조를 설계하고 최적화하는 새로운 방법을 제시합니다. 실제 측정을 통해 학습하는 컴퓨터 모델을 사용함으로써, 엔지니어들은 공정을 완성하는 데 필요한 물리적 실험 횟수를 줄일 수 있습니다. 이 시스템은 실제 가스를 켜기도 전에 테스트하고 조정할 수 있는 가상 버전인 리액터(reactor)의 '디지털 트윈(digital twin)' 역할을 합니다. 이는 태양 전지, 레이저, 고속 전자 기기를 위한 새로운 재료를 개발하는 시간을 크게 단축할 수 있습니다. 이 연구는 원자적 시뮬레이션과 지능형 탐색 알고리즘을 결합함으로써, 과학자들이 전통적인 방식의 막대한 계산 비용에 발목 잡히지 않고도 복잡한 성장 과정의 비밀을 풀 수 있음을 입증합니다. 이는 차세대 기술에 필수적인 고품질 초박막을 만들기 위한 실질적인 경로를 제공합니다.