Ajou News
NEW 물리 이형우 교수팀, 물성 분석 위한 머신러닝 기반 新접근법 제시
- 2025-05-07
- 224
우리 학교 물리학과 이형우 교수팀이 머신러닝 기술을 활용해 현미경 이미지로 물성을 유추할 수 있는 새로운 접근법을 제시했다. 이에 낮은 비용으로 빠르게 물성을 진단할 수 있는 새로운 기술의 개발에 기여할 수 있을 전망이다.
아주대 물리학과∙대학원 에너지시스템학과 이형우 교수(위 사진 왼쪽)는 LSMO 박막의 전기적·자기적 특성을 추론하기 위한 머신러닝 기반 접근법을 제안, 해당 내용을 <어드밴스드 사이언스(Advanced Science)> 4월26일자 온라인판에 게재했다고 밝혔다. 대학원 석사과정의 유상혁(사진 가운데), 장민우(사진 오른쪽) 학생도 이번 연구에 참여했다.
이번 연구는 ‘표면 형태 기반 머신러닝을 통한 La0.7Sr0.3MnO3 박막의 강자성 분석(Machine Learning Approach to Characterize Ferromagnetic La0.7Sr0.3MnO3 Thin Films via Featurization of Surface Morphology)’이라는 제목의 논문으로, 인하대 컴퓨터공학과 이선우 교수팀과의 공동연구 결과다.
La0.7Sr0.3MnO3(LSMO)는 강자성 금속성과 거대자기저항(CMR) 특성을 가진 페로브스카이트 산화물로, 스핀트로닉스 및 전자소자 분야에서 주목받고 있다.그러나 LSMO의 물성이 ▲박막 두께 ▲격자 변형 ▲산소 결손 ▲양이온 비율 등 다양한 물질 구조 및 조성 등에 민감하게 의존하며, 다양한 변인들이 복합적으로 상호작용하기 때문에 미시적 격자구조와 전자기적 물성 간의 연관성을 정확히 규명하는 것은 여전히 어렵다.
이에 연구팀은 LSMO 박막의 표면 형상(surface morphology)을 기반으로 전기적·자기적 특성을 추론하기 위한 머신러닝 기반 접근법을 제안했다. 기판(SrTiO₃) 위에 서로 다른 산소 분압 조건에서 성장된 LSMO 박막을 이용, 원자힘현미경(AFM)을 통해 표면 형상을 정밀 측정한 것. 이를 통해 표면 형태에 대한 대량의 데이터를 확보하고, 각각의 박막 샘플에 대해 ▲온도 별 전기저항 ▲금속-절연체 전이 온도 ▲자기이력곡선 및 큐리온도 등의 다양한 전기적·자기적 데이터 또한 얻었다.
연구팀은 확보된 대규모 데이터를 기반으로, 표면 형상과 전자기적 물성 간의 비선형 관계를 모델링할 수 있는 앙상블 기반 인공신경망 모델을 개발했다. 이렇게 개발된 머신러닝 모델은 결과적으로 시료의 원자힘현미경(AFM) 이미지로부터 해당 샘플의 전자기적 물성을 정량적으로 예측할 수 있었으며, 이를 통해 LSMO 박막을 다섯 가지 대표적인 유형으로 분류할 수 있음을 확인했다.
특히 물성 발현의 원리가 매우 복잡한 강상관계 산화물에서 그동안 ‘결과적 산물’로 간주되던 표면 형상이 오히려 전기적·자기적 특성을 내포하고 있다는 점을 머신러닝을 통해 정량적으로 입증했다는 점에 큰 의의가 있다.
이형우 교수는 “기존에는 전자구조 및 자기특성을 분석하기 위해 복잡한 측정 장비를 필요로 했고, 많은 분석 결과 간의 교차 검증이 요구되었다”며 “이번 연구에서 제안한 머신러닝 기반 방법론을 이용하면, 단순한 원자힘현미경(AFM) 이미지 만으로 물성을 유추할 수 있어, 앞으로 저비용으로 빠르게 물성을 진단하는 기술의 개발에 기여할 수 있을 전망”이라고 설명했다.
더불어, 연구팀이 제안한 FMC(Ferromagnetic Material Classifier) 모델은 LSMO 외에도 다양한 강자성 물질에 적용이 가능해 격자 변형, 결함, 이온 이탈 등의 변수에 따라 표면 형상이 민감하게 변하는 물질계에 특히 유효하게 활용될 수 있을 전망이다. 이에 앞으로 머신러닝 방법을 이용한 응집물질물리 및 응용물리학 분야에 큰 파급효과를 불러올 것으로 보인다.
이번 연구는 한국연구재단의 G-LAMP사업, 중견연구, 기초연구실지원사업(BRL)의 지원을 받아 수행됐다.
아주대 이형우 교수팀의 연구 성과를 설명하는 그림.
머신러닝 기술을 활용해, 낮은 비용으로 빠르게 물성을 진단할 수 있도록 하는데 기여할 전망이다