Experimental and Computational Investigation of Thermal Conductivity in Porous Silicon: Doping-Dependent Performance of Molecular Dynamics and Physics- Informed Neural Networks

실리콘은 현대 전자 공학의 조용한 중추이자, 스마트폰에서 태양광 패널에 이르기까지 모든 것에 동력을 공급하는 재료입니다. 고체 결정 형태의 실리콘은 열 전도성이 매우 뛰어나지만, 이는 미세한 컴퓨터 칩의 과열을 막으려는 엔지니어들에게 종종 문제가 됩니다. 그러나 실리콘이 미세한 구멍들이 가득 찬 스펀지 같은 재료로 변형되면, 열 전도 능력은 급격히 떨어집니다. 이렇게 다공성 구조를 갖게 된 실리콘은 열 절연체가 되며, 이러한 특성은 더 효율적인 에너지 수확 장치를 만들고 필요한 곳에 열을 가두는 데 매우 가치 있는 자산이 됩니다. 과학자들의 오랜 과제는 이 재료가 정확히 얼마나 잘 작동할지를 예측하는 것이었습니다. 그 답은 구멍이 얼마나 많은지, 구멍의 크기가 얼마인지, 그리고 실리콘 원자들이 구멍 주변에 어떻게 배열되어 있는지와 같은 복잡한 요소들의 조합에 달려 있습니다. 제조 방식에 따라 구조가 매우 다양하게 변할 수 있기 때문에, 단순한 공식으로는 전체적인 모습을 포착하지 못하는 경우가 많아 엔지니어들은 계산하기보다는 추측에 의존해야 했습니다.

키이우 타라스 셰브첸코 국립대학교의 연구팀은 원자의 미시 세계와 열 흐름의 거시 세계 사이에 포괄적인 가교를 구축함으로써 이러한 불확실성을 해결했습니다. 그들은 퍼즐을 풀기 위해 단 하나의 방법만을 사용하지 않았습니다. 대신, 실제 실험, 개별 원자를 추적하는 컴퓨터 시뮬레이션, 그리고 물리학 법칙을 학습하도록 설계된 새로운 유형의 인공지능이라는 세 가지 뚜렷한 접근 방식을 결 조합했습니다. 연구진은 먼저 자신들만의 다공성 실리콘 샘플을 제작했습니다. 그들은 표준 실리콘 웨이퍼를 가져와 전기 전류를 이용한 화학 용액(chemical bath)으로 재료를 식각하여, 뒤에 스펀지 같은 구조를 남겼습니다. 전기 전류의 세기를 정밀하게 조절함으로써 구멍의 밀도를 제어하여, 48%에서 75%에 이르는 기공률을 가진 층들을 만들어냈습니다. 그들이 만든 것을 확인하기 위해 강력한 현미경으로 샘플을 관찰한 결과, 구멍들이 재료를 관통하는 뚜렷한 기둥 형태를 형성하고 있음을 발견했는데, 이는 그들이 시작했던 재료인 고농도 도핑 실리콘의 특징적인 형태입니다.

이 재료들이 열을 얼마나 잘 전달하는지 측정하기 위해, 연구팀은 광음향 측정(photoacoustic measurement)이라는 기술을 사용했습니다. 그들은 변조된 레이저 빔을 실리콘에 쏘아 표면이 빠르게 가열되고 냉각되도록 했습니다. 이 리드미컬한 가열은 샘플 위의 공기 중에 음파를 생성했으며, 민감한 마이크로폰이 이를 감지할 수 있었습니다. 연구진은 이 음파의 강도와 타이밍을 분석함으로써, 샘플에 직접 접촉하지 않고도 다공성 층의 정확한 열전도도를 계산할 수 있었습니다. 그들은 열 전달이 단순히 구멍의 개수에 관한 것이 아니라, 근본적으로 실리나 웨이퍼의 초기 도핑 농도에 의해 지배된다는 것을 발견했습니다. 도핑 수준은 내부 구조가 무작위적인 스펀지 네트워크를 형성할지, 아니면 더 조직적인 기둥 형태를 형성할지를 결정했습니다. 이러한 구조적 차이는 동일한 기공률이라 하더라도 시작 재료에 따라 매우 다른 열적 거동을 나타낼 수 있음을 의미했습니다.

이 측정의 물리적 배경을 이해하기 위해 연구진은 두 가지 다른 계산 모델을 활용했습니다. 첫째, 원자들이 움직이고 충돌하는 고속 영화와 같은 역할을 하는 분자 역학(molecular dynamics) 시뮬레이션을 사용했습니다. 이 방법은 구멍의 경계가 열을 전달하는 진동인 포논(phonon)을 산란시키는 미세하고 특정적인 구조를 통해 열이 어떻게 이동하는지 관찰하는 데 탁월합니다. 시뮬레이션 결과, 고농도 도핑된 기둥형 샘플의 경우, 이러한 원자 수준의 산란이 열 흐름을 감소시키는 지배적인 요인임을 보여주었습니다. 그러나 이 방법은 크고 복잡한 네트워크를 모델링하기에는 너무 느립니다. 이를 위해 연구팀은 열 방정식을 풀기 위해 열역학의 기본 법칙을 학습하도록 교육받은 형태의 인공지능인 물리 정보 신경망(Physics-Informed Neural Networks)을 채택했습니다. 이 접근 방식은 아주 작은 조각만이 아닌, 전체 네트워크를 통해 열이 어떻게 흐르는지를 포착하여 다공성 스펀지를 통과하는 복잡하고 무작위적인 경로를 모델링할 수 있게 해주었습니다.

이러한 결합된 노력의 결과는 왜 이전의 연구들이 서로 상충되는 결과를 냈는지에 대한 명확한 그림을 보여주었습니다. 연구진은 열적 특성이 원래 실리콘 결정의 캐리어 농도에 의해 결정되며, 이것이 구멍의 모양을 제어한다는 것을 발견했습니다. 저농도 도핑 실리콘에서는 구멍이 무작위적인 미로 구조를 형성하여 열이 경로를 찾기 매우 어렵게 만들었고, 이는 열전도도의 급격한 저하로 이어졌습니다. 반면, 고농도 도핑 실리콘은 기둥 형태의 구조를 형성하여 열이 이동할 수 있는 '열적 고속도로' 역할을 했으며, 덕분에 많은 구멍이 있음에도 불구하고 열이 더 쉽게 이동할 수 있었습니다. 분자 역학 시뮬레이션은 이러한 기둥형 고농도 도핑 샘플의 거동과 일치했으며, 신경망 모델은 저농도 도핑에서 발견되는 무작위의 스펀지 같은 구조를 예측하는 데 뛰어난 성능을 보였습니다. 연구진은 실험 데이터와 이러한 시뮬레이션 및 기존 문헌을 결합하여, 심볼릭 회귀(symbolic regression)라는 수학적 기법을 통해 단일화된 통합 공식을 도출해 냈습니다. 이 공식은 기공률과 온도를 바탕으로 다공성 실리콘의 열전도도를 정확하게 예측하며, 상온부터 900 켈빈에 이르는 넓은 범위를 포괄합니다.

이 연구는 엔지니어가 사용할 수 있는 새로운 수치를 제공하는 것 이상의 의미를 지닙니다. 즉, 재료의 이력이 중요하다는 점을 보여줌으로써 해당 분야의 오랜 혼란을 해결했습니다. 동일한 기공률이라도 재료가 어떻게 성장했느냐에 따라 다른 결과를 낼 수 있습니다. 개별 원자의 움직임과 재료 전체의 열 흐름을 연결하는 연구팀의 하이브리드 접근 방식은 더 나은 열 절연체와 열전 소자를 설계하기 위한 신뢰할 수 있는 도구를 제공합니다. 다양한 온도와 구멍 밀도 범위에서 작동하는 이 최종 공식은, 새로운 설계를 할 때마다 비용이 많이 들고 시간이 오래 걸리는 실험을 수행할 필요 없이 정밀한 예측을 가능하게 합니다. 구조와 도핑이 열을 제어하는 방식 사이의 상호작용을 명확히 함으로써, 이 연구는 차세대 실리콘 기반 기술을 위한 견고한 토대를 마련하였으며, 열이 필요한 곳에 정확히 관리될 수 있도록 보장합니다.