MIT, 인공지능으로 원자 단위 결함 측정 기술 개발

주장미국 매사추세츠공과대학(MIT) 연구진이 인공지능(AI)을 활용해 재료 내부의 원자 단위 결함을 정확하게 분류하고 정량화하는 새로운 모델을 개발했습니다. 이 기술은 재료의 기계적 강도와 열 전달, 에너지 변환 효율을 개선하는 데 핵심적인 역할을 합니다.

팩트이번 연구를 이끈 무양 쳉 박사 과정생은 해당 모델이 2,000개의 반도체 재료 데이터를 학습했다고 밝혔습니다. 이 모델은 한 번에 최대 6가지 종류의 점 결함을 동시에 감지합니다.

교차검증기존의 엑스선 회절이나 라만 분광법 같은 기술은 특정 결함만 식별하거나 농도를 직접 추정하기 어렵다는 한계가 있습니다. 투과 전자 현미경 또한 시료를 절단해야 하는 파괴적 검사 방식이라는 단점이 존재합니다.

팩트연구팀은 중성자 산란 기술로 원자의 진동 주파수를 측정해 인공지능 모델에 학습시켰습니다. 이 모델은 거대언어모델인 챗GPT와 유사한 멀티헤드 어텐션 메커니즘을 사용하여 결함 유무에 따른 데이터 차이를 추출합니다.

팩트개발된 인공지능 모델은 주기율표상의 56개 원소를 포함하는 기초 모델을 기반으로 구축되었습니다. 연구진이 실제 전자 기기용 합금과 초전도체 재료를 대상으로 실험한 결과, 0.2퍼센트 수준의 낮은 결함 농도까지 측정 가능함을 확인했습니다.

주장민다 리 교수는 현재의 결함 탐지 기술이 코끼리의 일부만 보는 것과 같다고 지적하며, 전체적인 결함 상태를 파악하는 것이 재료의 유용성을 높이는 핵심이라고 강조했습니다. 인공지능은 인간의 눈으로 구분하기 어려운 복잡한 신호 패턴을 인식하여 재료의 상태를 파악합니다.

교차검증연구진은 이번에 사용된 중성자 산란 방식이 기업의 현장 품질 관리 공정에 즉시 도입되기에는 장비 운용의 복잡성 등 현실적인 제약이 있다고 인정했습니다. 따라서 더 범용적인 라만 분광법 기반의 모델로 확장하는 것이 앞으로의 과제입니다.

주장반도체 및 마이크로 전자공학 분야에서는 제조 공정 중 의도치 않은 산화나 불순물 결함이 발생할 위험이 항상 존재합니다. 이번 인공지능 모델은 이러한 불필요한 결함을 사전에 식별하여 제품의 성능 저하를 방지하는 새로운 패러다임을 제시합니다.

팩트이번 연구에는 무양 쳉, 민다 리 교수 외에도 추량 푸, 보웬 유, 은비 라, 아비자트메디 초트라타나피툭 등 MIT 소속 연구진과 오크리지 국립 연구소 관계자들이 참여했습니다. 연구 결과는 학술지 매터에 게재되었습니다.

출처https://news.mit.edu/2026/mit-researchers-use-ai-uncover-atomic-defects-materials-0330