Real-time Multi-instrument Autonomous Materials Screening for Discovery of Novel Phase-change Memory Materials

기술 요약: 새로운 상변화 메모리 재료 발견을 위한 실시간 다중 계기 자율 재료 스크리닝

문제 정의
자율 실험실(AL)은 자동화된 실행, 데이터 분석 및 의사결정을 통합함으로써 재료 발견에 혁신을 일으켰습니다. 그러나 다양한 이종 데이터 스트림을 여러 계기로부터 통합하는 데에는 여전히 상당한 병목 현상이 존재합니다. 현재의 자율 시스템은 일반적으로 단일 계기, 단일 물성 기반의 폐쇄 루프(closed loop)로 작동하며, 의사결정은 각 특성 분석 장비에서 독립적으로 이루어집니다. 또한, 합성-공정-구조-물성(SPSPR) 관계의 규명은 실험 데이터 수집이 완료된 후 사후 분석에 의존하는 경우가 많습니다. 이러한 순차적 접근 방식은 구조적 특성과 기능적 특성 사이의 상관관계를 실시간으로 활용하지 못하게 하여, 특히 혼합상 영역 및 비평형상을 포함하는 복잡한 재료인 상변화 메모리(PCM) 시스템과 같은 재료의 발견 속도를 늦춥니다.

방법론: 다중 계기 자율 발견(MAD) 프레임워크
저자들은 구조적 특성 매핑과 기능적 특성 최적화를 폐쇄 루프 방식으로 결합하여 병렬 자율 실험(AE)을 수행하도록 설계된 시스템인 다중 계기 자율 발견(MAD) 프레임워크를 제안합니다.

• 실험 설정: 본 프레임워크는 PCM 응용 분야를 위해 이전에 탐구되지 않았던 Mn-Sb-Te (MST) 삼원계 박막 라이브러리에 적용되었습니다. 조성적으로 동일한 두 개의 스프레드가 준비되었는데, 하나는 X선 회절(XRD)을 위해 결정 상태로 어닐링되었고, 다른 하나는 전기 저항 측정을 위해 비정질 상태로 유지되었습니다. 이들은 클라이언트-서버 모델을 통해 중앙 서버에 연결된 별도의 계기(회절계 및 접촉 프로브 스테이션)에 장착되었습니다.
• 데이터 융합 및 모델링: MAD의 핵심은 공지역화 커널(특히, 내재적 공지역화 모델, ICM)을 사용하는 다중 출력 가우시안 프로세스(GP) 모델입니다.
  • 구조적 분해: XRD 패턴은 비음수 행렬 분해(NMF)를 사용하여 7개의 "엔드 멤버(end-member)" 성분(잠재적인 원소, 이원계 또는 삼원계 상을 나타냄)과 그에 해당하는 함량으로 전처리 및 분해되었습니다. 이는 상 식별 문제를 이산적 라벨링에서 연속적인 회귀 작업으로 전환하여 혼합상 특성을 포착할 수 있게 합니다.
  • 결합 예측: NMF로부터 유도된 상 함량(7개 출력)과 전기 저항 측정값(1개 출력)은 8차원 데이터셋으로 결합되었습니다. 랭크-1 잠재 구조를 가진 다중 출력 GP가 이 데이터에 학습되어 구조적 특성과 기능적 특성 사이의 공유 공분산을 모델링합니다.
• 의사결정: 시스템은 능동 학습 루프 내의 각 과업에 대해 서로 다른 획득 함수를 사용합니다.
  • 탐색 (XRD): 결정 구조 분포에 대한 지식을 극대화하기 위해 최대 불확실성(Maximum Uncertainty, MU)이 사용되었습니다.
  • 착취 (저항): PCM의 핵심 성능 지표인 비정질 상태에서의 최대 전기 저항($R_{amo}$)을 갖는 조성을 식별하기 위해 기대 개선(Expected Improvement, EI)이 사용되었습니다.
  • 중앙 컨트롤러는 각 계기에 대한 다음 실험 지점을 결정하면서도, 교차 특성 상관관계를 포착하기 위해 결합 추론(joint inference)을 수행합니다.

주요 결과

• 효율성 및 속도: MAD 프레임워크는 25회의 폐쇄 루프 반복 내에 유망한 전기적 PCM을 성공적으로 식별하고 SPSPR을 매핑했습니다. 이는 전통적인 그리드 매핑(grid mapping) 대비 7배, 무작위 샘플링 대비 5배 빠른 속도입니다. 상 매핑과 재료 최적화를 포함한 전체 실시간 실험은 약 5시간 만에 완료되었습니다.
• 정확도: 약 42개의 측정만으로 시스템은 실험 데이터와 95%의 코사인 유사도를 갖는 XRD 패턴을 재구성했습니다. 재료 최적화의 경우, 시스템은 25개 미만의 데이터 포인트 내에서 최적의 조성(최대 $R_{amo}$)으로 수렴하였으며, 최소 후회 거리(minimum regret distance)가 0으로 수렴했습니다.
• 재료 발견: 본 연구는 가장 높은 비정질 저항을 보이는 조성을 Mn$_{28}$Sb$_{52}$Te$_{20}$로, 가장 큰 저항 차이($\Delta R \approx 5$ orders of magnitude)를 보이는 조성을 Mn$_{14}$Sb$_{43}$Te$_{43}$로 식별했습니다. 분석 결과, 삼방정계 MnSb$_2$Te$_4$ 상(성분 C0 및 C2로 인덱싱됨)이 관찰된 상변화 거동의 중심임을 밝혀냈습니다.
• 벤치마킹: MAD를 독립적인 GP 및 무작위 샘플링과 비교한 인실리코(in silico) 벤치마킹 결과, 공지역화 커널이 상 매핑 정확도(Dynamic Time Warping으로 측정)와 최적화 수렴도 모두에서 독립적인 모델 및 무작위 샘플링보다 크게 우수한 성능을 보였습니다. 공유된 잠재 공간을 통해 조정된 학습이 가능해졌으며, 이를 통해 복잡한 과업이 수렴하는 동안 단순한 과업이 "유휴 상태"가 되는 것을 방지했습니다.

의의 및 주장
본 논문은 MAD가 실험을 독립적이 아니라 병렬로 실행할 수 있게 함으로써 대규모 자율 시설을 위한 새로운 패러다임을 구축한다고 주장합니다. 공유된 잠재 표현을 통해 다중 모드 데이터 스트림을 통합함으로써 다음과 같은 효과를 얻을 수 있습니다:

1. 실시간 SPSPR 규명: 실험 도중 사후 분석을 기다리는 대신, 구조와 기능 사이의 공유된 지식에 기반하여 의사결정을 내릴 수 있는 능력.
2. 혼합상 처리: NMF 유도 연속 함량을 사용하여 이산적 라벨링 방식이 놓치기 쉬운 혼합상 영역과 점진적 전이를 포착할 수 있음.
3. 발견 가속화: 광범위한 조성 공간을 탐색하는 데 드는 시간과 자원 소모를 현저히 줄일 수 있음을 MST 시스템을 통해 입증함.

저자들은 MAD를 더 빠르고 효율적인 재료 공동 설계 기준을 달mic하기 위해 이종 데이터 스트림을 처리할 수 있는 다재다리능하고 모듈화된 미래의 협력형 다중 계기 환경을 위한 기초로서 제시하고 있습니다.