미니(Mini) 인터뷰
◆ 이번 딥러닝(DL) 기술 개발 계기는 무엇인가요?
스핀트로닉스 소자는 자성 물질을 이용하며, 다양한 자성 물질과 물질 속 특성을 정량적으로 알아내는 것은 스핀트로닉스 연구에서 가장 기본적인 일입니다. 이에 자성 물성 파악에 필요한 실험적 자원ㆍ시간을 줄일수 있도록 관련 기술 개발의 필요성이 컸습니다.
시뮬레이션 방법으로 과학적 연구를 수행 할 때 일반적으로 적절한 파라미터를 주면 시뮬레이션 프로그램이 결과를 만들어 내는 방식입니다.
이 방식으로 연구를 수행하며 '실험적으로 관측한 이미지만으로 자성 물성을 쉽게 알아낼 수 있는 방법이 없을까?'라는 생각을 했습니다. 여기에 AI 기술을 접목한다면 가능할 것이라고 판단했고, 아이디어를 실현화할 수 있었습니다.
◆ 기술 개발 과정에서 어려움은 없었나요?
AI 기술과 순수과학 연구 분야의 융합은 이제 시작 단계에 있습니다. 이 연구는 개척자로서 유리한 점도 있으나 연구 과정에서 참고할 만한 문헌을 확보하는 데 어려움이 있습니다.
이에 결과에 확신을 갖기까지 수많은 시행착오를 겪어야 했습니다. 저희 연구팀은 다양한 물리적ㆍ수학적 접근 방법을 활용하며 어려움을 극복할 수 있었습니다. 향후 융합 연구 분야 발전을 목표로 독창적인 시도를 이어나갈 계획입니다.
◆ 향후 기술의 상용화와 활용 가능성을 어떻게 보시나요?
이번 연구 성과가 상용화로 이어지기 위해서 다양한 자성 물질을 다룬 빅데이터, 고도화한 AI 기술, 추가적인 자성 물질 관련 연구 등이 필요하다고 생각합니다.
또 자성 연구 분야뿐 아니라 실험 관측한 이미지로 무언가를 알아내고자 하는 수많은 연구 분야에서 이 기술을 응용할 수 있을 것으로 예상합니다.
국내 연구진이 스핀트로닉스 소재인 자성체의 물성을 분석할 수 있는 딥러닝(DL) 기술을 개발했다.
한국과학기술연구원(KISTㆍ원장 윤석진)은 권희영ㆍ최준우 스핀융합연구단 박사팀이 원창연 경희대 교수 연구팀과 공동 연구를 수행해 인공지능(AI) 기술을 활용, 자성체의 스핀 구조 이미지로부터 자기적 물성을 추정하는 기술을 개발했다고 17일 밝혔다.
연구진은 이번에 연구에 DL 기술을 접목했다며, 이번 기술로 기존 수십 시간까지 걸리던 소재 분석을 빠르게 단축할 수 있다고 설명했다.
KIST 설명에 따르면, 연구계에서 실리콘 반도체의 집적도 한계를 극복하고 초저전력ㆍ고성능 차세대 반도체 개발을 목표로 전자의 '스핀(spin)'과 '전자공학(electronics)'을 함께 연구하는 스핀트로닉스 연구가 활발하다.
자성 메모리(MRAM)를 비롯한 스핀트로닉스 소자 개발의 경우 자성을 띠는 물질인 자성체를 이용한다. 이 때 자성체 온도의 안정성과 변화에 대응하는 속도 등 물성을 정확히 파악해야 소자 개발에 활용할 수 있다.
자성체는 '자성 도메인'을 갖고 있으며, 자성 도메인을 형성ㆍ변화하면서 다양한 자기적 현상이 나타나는 것으로 알려져 있다.
자성 도메인은 물질을 구성하는 미세 단위 자석인 스핀이 같은 방향으로 정렬한 영역이다.
이전까지 자성 도메인의 특성을 보다 정확하고 깊게 이해할 수 있도록 다양한 실험을 거쳐 직접 물성을 측정해왔으나 그 과정에서 많은 시간과 자원을 쏟아야 했다.
이에 연구진은 DL 기술을 활용해 앞선 한계를 극복했다. 우선, AI에 머신러닝(ML) 알고리즘을 적용해 기존 자성 도메인 이미지를 학습시켰다. 이후 학습한 AI가 새로운 자성 도메인 이미지를 확인 했을 때 그 물질의 자기적 물성을 추정하도록 했다.
그 결과 연구진은 자성체의 전자현미경 이미지를 입력하고 실시간으로 해당 자성체의 자기적 물성을 추정할 수 있었다고 설명했다. 또 실제 관측 데이터와 AI가 추정한 값을 비교, 오차 범위가 1% 내외로 나타나 추정 정확도가 높았다고 전했다.
권희영 KIST 박사는 "이번 연구로 실험과 이론의 연결을 강화하고, AI 기술과 순수과학 연구의 융합이라는 새로운 연구 분야의 확장을 기대한다"라고 말했다.
