📄 화학

A modular active learning framework for autonomous atomic layer deposition

이 논문은 자동화된 PE-ALD 장비, 인시튜(in situ) 특성 분석, 그리고 가우시안 프로세스 기반의 능동 학습 프레임워크를 통합하여 TiO2 증착을 위한 고차원 합성-물성 관계를 효율적으로 매핑하는 폐루프 자율 플랫폼을 제시하며, 이는 무작위 샘플링보다 예측 정확도 측면에서 크게 뛰어난 성능을 보이고 훨씬 적은 실험 횟수로 표적 공정 최적화를 가능하게 한다.

원저자: Maher Alghalayini, Tim Kodalle, Edward S. Barnard

게시일 2026-09-16

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Maher Alghalayini, Tim Kodalle, Edward S. Barnard

원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

세계에서 가장 작은 전자 부품을 만드는 것은 원자 단위로 측정될 만큼 얇은 재료 층을 쌓는 과정을 필요로 합니다. 이를 수행하는 가장 정밀한 방법 중 하나는 원자층 증착(atomic layer deposition)이라 불리는 기술인데, 이 기술은 진공 챔버 안에 화학 물질을 하나씩 도입하여 표면과 반응하게 함으로써 완벽하게 균일한 박막을 만들어냅니다. 이 공정은 더 빠른 컴퓨터 칩부터 더 효율적인 배터리에 이르기까지 모든 것을 만드는 데 필수적입니다. 하지만 이러한 박막을 만들기 위한 적절한 설정을 찾는 것은 매우 어렵습니다. 이 과정은 가스 압력, 온도, 화학 펄스의 타이밍과 같이 수십 가지의 변수에 의존합니다. 이러한 변수들은 복잡하고 예측 불가능한 방식으로 상호작용하며, 이는 한 가지 설정을 바꾸는 것만으로도 예상치 못하게 결과를 망칠 수 있음을 의미합니다. 전통적으로 과학자들은 한 번에 하나의 변수만을 바꾸는 방식을 통해 적절한 조합을 찾아내는데, 이는 느리고 고된 방법이며 변수들이 서로 어떻게 작용하는지 파악할 수 없기 때문에 최적의 설정을 놓치는 경우가 많습니다.

이를 해결하기 위해 로런스 버클리 국립연구소의 연구진은 스스로 생각할 수 있는 시스템을 구축했습니다. 그들은 스스로 실험을 수행할 수 있는 'ALDBot'이라는 이름의 완전 자동화된 기계를 만들었습니다. 이 기계는 능동 학습(active learning)이라는 전략을 사용하는 스마트 컴퓨터 프로그램과 연결되어 있습니다. 이 프로그램은 추측하거나 무작위로 설정을 테스트하는 대신, 공정이 어떻게 작동하는지에 대한 정신적 지도를 구축합니다. 각 실험이 끝날 때마다 프로그램은 결과를 분석하고, 가장 많은 새로운 정보를 얻기 위해 정확히 어떤 설정을 다음에 시도해야 할지 결정합니다. 목표는 단지 하나의 '최적' 설정을 찾는 것이 아니라, 가능성의 전체 영역을 이해하여 박막이 완벽하게 성장하는 안전 구역과 실패가 발생하는 위험 구역을 식별하는 것입니다.

연구진은 전자 제품 및 코팅에 흔히 사용되는 재료인 이산화티타늄 박막을 증착하는 실험을 통해 이 시스템을 테스트했습니다. 그들은 먼저 네 가지 설정만을 변화시키고 나머지는 고정하는 방식의 더 작은 4차원 문제를 통해 시작했습니다. 연구진은 이 스마트 시스템을 설정을 완전히 무작위로 선택하는 표준 방식과 비교했습니다. 결과는 명확했습니다. 능동 학습 시스템이 훨씬 더 빠르게 학습했습니다. 이 시스템은 무작위 방식보다 훨씬 적은 횟수의 실험만으로도 박막 성장률을 예측하는 데 있어 높은 수준의 정확도에 도달했습니다. 무작위 방식이 정보가 없는 설정들을 계속해서 헤맬 때, 스마트 시스템은 지식의 공백을 체계적으로 공략하며 공정이 완벽하게 작동하는 '윈도우(window)'를 빠르게 그려나갔습니다.

이 성공에 힘입어 연구팀은 12가지의 서로 다른 변수가 포함된 기계의 전체 복잡성으로 도전 범위를 확장했습니다. 이는 난이도가 대폭 상승한 것입니다. 수학적으로 12가지 변수의 모든 조합을 탐색하려면 인류의 생애 동안 불가능한 수인 수조 번의 실험이 필요합니다. 단 200번의 실험이라는 제한된 예산에도 불구하고, 시스템은 전체 공간에 대한 유용한 모델을 구축해 냈습니다. 비록 모든 세부 사항을 완벽한 정밀도로 매핑할 수는 없었지만, 그 모델은 신뢰할 수 있는 예측을 내놓기에 충분할 만큼 정확했습니다. 더 중요한 점은, 시스템이 왜 그러한 예측을 내렸는지 설명할 수 있었다는 것입니다. 데이터를 분석함으로써 시스템은 12가지 변수를 중요도 순으로 나열하여, 어떤 설정이 가장 중요한지, 그리고 어떤 설정이 거의 영향이 없는지를 연구진에게 알려주었습니다. 이러한 통찰력 덕히 연구진은 결과 제어에 정말로 중요한 핵심 요소들에만 집중하며 문제를 단순화할 수 있었습니다.

시스템이 제대로 작동하는지 증명하기 위해 연구진은 모델을 사용하여 안전 운전 구역의 바로 가장자리에 위치한 특정 설정 세트를 선택했습니다. 그들은 해당 설정으로 기계를 가동하여 이산화티타늄 박막을 제조했습니다. 화학 분석 결과, 박막은 순수했으며 모델이 예측한 바와 정확히 일치했습니다. 이는 시스템이 복잡하고 고차원적인 공간을 탐색할 수 있을 뿐만 아니라, 데이터가 부족한 상황에서도 높은 확신을 가지고 인간을 성공적인 결과로 안내할 수 있음을 입증했습니다. 이 연구는 로봇 실험실과 학습 알고리즘을 결합함으로써, 과학자들이 이전보다 훨씬 더 빠르고 효율적으로 까다로운 화학 공정을 탐구할 수 있음을 보여줍니다. 이 접근 방식은 단순히 하나의 좋은 답을 찾는 것에 그치지 않고, 공정에 대한 깊은 이해를 구축하여 미래를 위한 재료를 설계하는 강력하고 새로운 방법을 제시합니다.

문제 정의
원자층 증착(ALD)과 같은 기상 박막 증착 공정의 최적화는 합성 파라미터 공간의 높은 차원성과 공정 파라미터 간의 복잡하고 비선형적인 상호작용으로 인해 여전히 중요한 실험적 과제로 남아 있다. 전통적인 최적화 방식은 반복적이고 경험에 의존하는 "한 번에 하나의 파라미터(one-parameter-at-a-time)" 접근법에 의존하는데, 이는 속도가 느리고 노동 집약적이며, 파라미터 간의 상호작용을 포착하거나 "ALD 윈도우"(자기 제한적 성장이 일어나는 조건 범위)를 효율적으로 매핑하는 데 실패하는 경우가 많다. 머신러닝(ML)과 자동화가 재료 발견 분야를 발전시켜 왔으나, 기상 증착을 위한 완전 자율형 폐쇄 루프(closed-loop) 플랫폼은 드물며, 저자들이 알고 있는 바로는 현재까지 ALD 전용 재료 가속 플랫폼(MAP)은 보고된 바 없다.

방법론
저자들은 세 가지 핵심 구성 요소를 통합한 모듈형, 폐쇄 루프 재료 가속 플랫폼(MAP)을 제시한다:

자율 하드웨어 (ALDBot): 전체가 파이썬 기반의 프로그래밍 제어가 가능한 커스텀 제작된 완전 자동 플라즈마 강화 ALD(PE-ALD) 툴이다. 이 시스템은 실리콘 기판 위에 $TiO_2$ 를 증착하기 위해 PE-ALD 사이클을 실행하며, 12개의 개별 공정 파라미터(예: 전구체 도즈 시간, 플라즈마 지속 시간, 압력, 유량 등)를 관리한다. 시스템은 스로풋(throughput)을 극대화하기 위해 기판당 최대 200회의 실험을 수행하며, 정상 상태(steady-state) 성장률 측정을 보장하기 위해 각 실행의 첫 9개 사이클은 폐기한다.
인시튜(In Situ) 특성 분석: 시스템은 실시간 분광 타원 계측법(spectroscopic ellipsometry)을 사용하여 증착 중 박막 두께를 지속적으로 모니터링하며, 진공을 깨지 않고도 각 실험 조건에 대한 성장률(Å/cycle)을 추출한다.
능동 학습 프레임워크: 가우시안 프로세스(GP) 모델이 합성-물성 관계를 학습하기 위한 대리 모델(surrogate model) 역할을 한다. 이 프레임워크는 정보 이론 기반의 획득 함수(Total Correlation)를 채택하여, 알려진 최적점을 활용하기보다는 정보 이론적 불확실성(탐색되지 않았거나 잘 이해되지 않은 영역)이 최대인 영역을 목표로 다음 실험을 순차적으로 선택함으로써 전체 합성 지형을 효율적으로 매핑하는 것을 목표로 한다.

워크플로우는 폐쇄 루프로 작동한다: ALDBot이 실험을 실행함 $\rightarrow$ 엘립소미터가 성장률을 추출함 $\rightarrow$ GP 모델이 업데이트됨 $\rightarrow$ 획득 함수가 가장 정보가 많은 다음 파라미터 세트를 선택함 $\rightarrow$ 이 과정이 반복된다.

주요 기여

자율 ALD-MAP: 본 논문은 저자들이 알고 있는 바로는 ALD를 위해 특별히 설계된 최초의 완전 자율형 폐쇄 루프 MAP을 보고하며, 자동화된 합성, 인시튜 특성 분석, 능동 학습을 결end한 기상 증착의 실현 가능성을 입증한다.
모듈형 프레임워크: 이 시스템은 모듈식으로 설계되어 증착 도구, 특성 분석 방법 및 ML 모델을 다른 재료 시스템이나 증착 기술(예: 스퍼터링)에 맞게 교체하거나 적응시킬 수 있다.
고차원 탐색: 저자들은 이 프레임워크를 PE- $TiO_2$ 의 4차원(4D) 부분 공간과 전체 12차원(12D) 합성 파라미터 공간 모두에 성공적으로 적용하였다.

결과

4D 부분 공간 성능: 4차원 파라미터 공간(100회 실험)에서 능동 학습 프레임워크는 무작위 샘플링보다 성능이 크게 뛰어났다. 이는 더 낮은 평균 제곱근 오차(RMSE)(무작위 샘플링의 약 0.35 Å/cycle 대비 약 0.25 Å/cycle)와 더 빠른 정보 이득 수렴을 달s성했다. GP 모델은 훈련 중에 특정 "윈도우" 좌표에서 실험이 수행되지 않았음에도 불구하고, ALD 윈도우를 보간하고 전체 부분 공간에 걸쳐 성장률을 높은 정확도로 예측하는 데 성공했다.
12D 전체 공간 성능: 전체 12D 공간(200회 실험)에서는 완전한 매핑을 위해 허용된 예산보다 더 많은 데이터가 필요했지만, 능동 학습 전략은 여전히 가치 있는 통찰을 제공했다. 결과적으로 얻은 고불확실성 모델을 통해 SHAP(SHapley Additive exPlanations)을 통한 변수 중요도 순위와 같은 물리적으로 해석 가능한 출력을 추출할 수 있었다.
검증: 가장 영향력이 큰 파라미터(전구체 도즈 시간 및 공정 압력)와 영향력이 낮은 파라미터(플라즈마 퍼지 시간)에 대한 독립적인 실험적 스윕(sweep)을 통해, 모델의 예측값이 실험 데이터의 95% 신뢰 구간 내에 있음을 확인했다.
재료 검증: 모델이 식별한 "ALD 윈도우"에 의해 유도된 증착물은 XPS(X-선 광전자 분광법)를 통해 Ti 33.6%, O 66.4%의 원자 비율을 가진 상순수(phase-pure) $TiO_2$ 임이 확인되었다.

의의 및 주장
저자들은 자동화된 실험, 인시튜 특성 분석, 그리고 능동 학습의 통합이 기상 증착 공정의 자율적 탐색을 위한 강력한 전략이라고 주장한다. 그들은 이 접근 방식이 무작위 샘플링이나 전통적인 방법보다 훨씬 적은 실험 횟수로 합성-물성 관계를 효율적으로 매핑하고 최적의 공정 윈도우를 식별할 수 있음을 입증했다.

결정적으로, 본 논문은 주어진 실험 예산 내에서 완전한 매핑이 불가능한 경우(12D 사례와 같이)에도, 훈련된 모델이 표적 최적화를 가이드하는 물리적으로 해석 가능한 통찰(예: 특징 중요도)을 제공한다고 주장한다. 이 프레임워크는 연구된 특정 $TiO_2$ /PE-ALD 시스템을 넘어 광범위하게 적용 가능하며, 기상 증착 분야에서 기능성 재료 개발을 가속화하는 경로를 제시한다.

유사한 논문