Beyond DFT: Quantum Chaos and Neural Networks for 2D Material Device Design

현대 전자 기기는 정보를 처리하기 위해 트랜지스터라고 불리는 아주 작은 스위치에 의존합니다. 수십 년 동안 이 장치들은 실리콘으로 만들어져 왔지만, 물리적 세계의 한계까지 작아짐에 따라 과학자들은 단 몇 개의 원자 두께밖에 되지 않는 새로운 재료로 눈을 돌리고 있습니다. 가장 유망한 재료 중 하나는 평평한 벌집 모양의 시트를 형성하는 이황화 몰리브데넘입니다. 이 재료를 트랜지스터 형태로 만들면 놀라운 정밀도로 전기의 흐름을 제어할 수 있습니다. 그러나 이 원자 시트가 불순물로 도핑되거나 전기장에 노출될 때 정확히 어떻게 행동할지 예측하는 것은 매우 어렵습니다. 모든 개별 원자를 시뮬레이션하려는 전통적인 컴퓨터 방식은 실제 장치를 설계하는 데 사용하기에는 너무 느리고 비용이 많이 들며, 특히 재료가 완벽한 결정이 아니라 결함과 불규란함을 포함하고 있는 경우에는 더욱 그렇습니다.

이를 해결하기 위해 연구자들은 다른 종류의 물리학과 새로운 종류의 컴퓨터 지능을 활용하고 있습니다. 그들은 시스템이 완벽하게 조직된 상태가 아니라 복잡하고 무질서할 때 에너지 준위가 어떻게 행동하는지를 연구하는 양자 카오스(quantum chaos)라는 개념을 사용합니다. 완벽하게 질서 정연한 시스템에서는 에너지 준위가 예측 가능하고 균등하게 간격을 두고 있습니다. 반면 카오스 시스템에서는 에너지 준위들이 특정한 통계적 방식으로 서로를 밀어냅니다. 과학자들은 에너지 준위가 얼마나 "카오스적"인지를 측정함으로써, 재료 내부의 전자들이 자유롭게 움직이는지 아니면 제자리에 갇혀 있는지를 알 수 있습니다. 이러한 예측을 공학적으로 활용할 수 있을 만큼 빠르게 만들기 위해, 연구진은 이 이론을 인간의 뇌가 경험으로부터 학습하는 것과 유사하게 데이터로부터 패턴을 학습하도록 설계된 컴퓨터 프로그램인 신경망과 결합했습니다.

새로운 연구에서 이란 우르미아 공과대학교의 샤람 메르마네쉬(Shahram Mehrmanesh)와 소랍 베니아(Sohrab Behnia) 연구진은 복잡한 원자 이론과 실용적인 장치 설계 사이의 간극을 메우는 시스템을 구축했습니다. 그들은 셀레늄 원자로 도핑된 특정 유형의 이황화 몰리브데넘 트랜지스터에 집중했습니다. 도핑은 재료의 전기적 특성을 변화시키기 위해 소수의 외래 원자를 추가하는 표준 기술입니다. 연구팀은 전압, 셀레늄의 양, 온도, 그리고 재료의 물리적 크기를 미세하게 조정할 때 장치의 안정성이 어떻게 변하는지 이해하고자 했습니다. 가능한 모든 조합에 대해 느리고 무거운 시뮬레이션을 실행하는 대신, 그들은 먼저 양자 카오스 이론을 사용하여 다양한 조건 하에서 재료의 에너지 준위가 어떻게 변화하는지를 설명하는 대규모 데이터를 생성했습니다. 그런 다음 이 데이터를 여러 층의 처리 노드로 구성된 특정 유형의 신경망인 다층 퍼셉트론(multilayer perceptron)에 입력하여, 새로운 시나리오의 결과를 즉각적으로 예측하는 법을 학습시켰습니다.

그들의 연구 결과는 이 미세한 트랜지스터의 안정성이 재료 자체의 고정된 특성이 아니라 환경에 의해 조절될 수 있는 것임을 밝혀냈습니다. 연구진은 전자의 거동이 장치의 크기에 크게 의존한다는 것을 발견했습니다. 매우 작은 샘플에서 전자는 국소화되는 경향이 있는데, 즉 특정 지점에 갇혀 있어서 시스템이 질서 있고 예측 가능한 방식으로 작동하게 만듭니다. 그러나 장치가 커질수록 전자들은 더 자유롭게 움직이게 되며, 시스템은 에너지 준위가 복잡한 방식으로 상호작용하는 카오스 상태로 전환됩니다. 이러한 변화는 무작위적인 것이 아닙니다. 연구진은 재료의 크기와 이 질서에서 카오스로의 전이 사이를 직접 연결하는 보편적인 규칙을 발견했습니다. 그들은 물리적 치수가 불순물이 얼마나 첨가되었는지에 대한 구체적인 세부 사항보다도 더 지배적인 요인이라는 것을 발견했습니다.

또한 이 연구는 셀레늄 불순물을 추가하는 것이 재료의 행동을 예측 가능한 방식으로 변화시킨다는 것을 보여주었습니다. 낮은 농도에서 셀레늄 원자는 전자를 붙잡아 두는 함정 역할을 하여 시스템을 질서 있게 유지합니다. 하지만 농도가 증가함에 따라 이 원자들은 연결된 경로를 형성하기 시작하여 전자가 하나에서 다른 하나로 뛰어넘을 수 있게 합니다. 이는 재료가 더 전도성을 갖게 되고 에너지 준위가 더 카오스적으로 변하는 급격한 변화를 일으킵니다. 연구진은 훈련된 신경망을 사용하여 이러한 전이를 높은 정확도로 예측했습니다. 모델을 학습 과정에서 본 적 없는 데이터로 테스트했을으로, 모델은 93% 이상의 높은 확률로 장치의 거동을 정확하게 예측했습니다. 이러한 수준의 정확도는 모델이 모든 원자 간의 상호작용을 처음부터 계산할 필요 없이 근저에 깔린 물리학을 성공적으로 학습했음을 시사합니다.

가장 실용적인 발견 중 하나는 장치가 전압에 반응하는 방식과 관련이 있습니다. 연구진은 전기장을 가하면 시스템을 더 질서 있는 상태로 다시 밀어 넣어 효과적으로 카오스적 행동을 진정시킬 수 있음을 관찰했습니다. 이는 안정적으로 켜고 꺼져야 하는 트랜지스터를 설계하는 데 매우 중요합니다. 더욱이, 연구팀은 전압을 높이면 오히려 전류가 감소하는 특정 영역을 식과했는데, 이는 음의 미분 저항(negative differential resistance)이라고 알려진 현상입니다. 시뮬레이션에서 나타난 이 독특한 행동은 미래의 통신 기술에 사용될 수 있는 고속 발진기 및 스위치를 만드는 데 매우 가치 있는 것입니다. 이 모델이 이러한 복잡하고 비선형적인 효과를 예측할 수 있다는 사실은 모델이 재료의 실제 물리학을 포착하고 있음을 확인시켜 줍니다.

이 연구는 머신러닝이 재료 과학을 위한 강력한 도구 역할을 할 수 있음을 입증하며, 엔지니어들이 느린 전통적 계산을 기다리지 않고도 안정적이고 효율적인 장치를 설계할 수 있게 해줍니다. 양자 카오스의 깊은 이론적 통찰력과 신경망의 패턴 인식 속도를 결합함으로써, 연구진은 새로운 설계를 빠르게 테스트할 수 있는 프레임워크를 만들었습니다. 그들은 장치의 크기, 도핑 양, 그리고 인가된 전압을 정밀하게 제어함으로써 특정 목적에 맞게 이황화 몰리브데넘의 전자적 특성을 설계할 수 있음을 보여주었습니다. 비록 이 연구가 시뮬레이션과 이론적 모델에 기반하고 있지만, 예측의 높은 정확도는 이러한 발견이 견고하며 차세대 전자 부품을 안내할 준비가 되었음을 시사합니다. 원자의 카오스적인 춤을 이해하는 것에서부터 신뢰할 수 있는 트랜지스터를 구축하는 것으로 가는 길은 훨씬 더 명확해졌으며, 이는 나노 세계의 복잡성을 헤쳐 나가는 새로운 방법을 제시합니다.