AI가 반도체에서 6가지 결함 탐지

반도체에서 6가지 결함 유형을 동시에 검출하는 AI 모델

MIT 연구원들이 반도체 재료에서 샘플을 손상시키지 않고 최대 6가지 점 결함 유형을 동시에 검출할 수 있는 신경망을 개발했습니다. 이 모델은 비탄성 중성자 산란 데이터를 활용하며, 0.2%부터의 불순물 농도를 식별합니다. 2000개 샘플로 훈련되었으며, 주기율표의 56개 원소를 포괄합니다. 전자제품 및 초전도체용 합금에 대한 실험으로 결과를 검증했습니다.

반도체의 원자 격자 결함은 전기적 특성을 조절하는 핵심 요소입니다. 칩, 태양광 패널, 배터리 재료 합성 시 의도적으로 도입됩니다. 기존 분석 방법에는 한계가 있습니다. X선 회절은 특정 유형만 검출하고, 라만 분광법은 다른 유형을, 전자 현미경은 샘플을 손상시킵니다. 이 새로운 모델은 멀티헤드 어텐션 기반으로 스펙트럼을 통합하고 복잡한 신호를 해독합니다.

모델 작동 원리

비탄성 중성자 산란은 원자 진동 주파수를 포착해 각 결함에 고유한 스펙트럼을 생성합니다. 신경망은 결함 샘플과 이상 샘플의 스펙트럼을 비교하며 불순물 패턴을 강조합니다. 멀티헤드 어텐션 구조는 다차원 데이터를 처리하며, LLM의 트랜스포머와 유사합니다.

주요 처리 단계:

• 데이터 수집: 중성자 소스에서 스펙트럼.
• 전처리: 정규화 및 피크 정렬.
• 훈련: 알려진 결함이 있는 2000개 샘플에 대한 지도 학습.
• 추론: 단일 패스로 최대 6가지 불순물 유형과 농도 예측.

이 모델은 혼합 결함에서 높은 정확도를 보이며, 기존 방법은 거짓 양성을 발생시킵니다. 주저자 Mouyan Cheng은 "6가지 결함 신호를 디코딩하는 것은 이전에 불가능하다고 여겨졌다"고 밝혔습니다.

실험 검증

실제 재료로 테스트를 진행했습니다:

• 마이크로전자 합금 — 0.3–1.2% 농도의 4가지 결함 검출.
• 초전도체 — 6가지 불순물을 동시에 인식, 오차 <5%.
• 결함 없는 대조 샘플 — 거짓 양성 0건.

Mingda Li 교수는 이 접근법을 '맹인과 코끼리' 우화에 비유했습니다. 각 방법은 한 조각만 보지만, AI는 전체 그림을 완성합니다. 한계는 중성자 시설 접근성ですが, 산업용으로 라만 분광법 적응 계획입니다.

주요 요약

• 신경망이 샘플 손상 없이 최대 6가지 점 결함 검출.
• 멀티헤드 어텐션으로 0.2% 농도부터 정확도 높음.
• 56개 원소 포괄, 2000개 반도체로 훈련.
• 제조업을 위한 라만 분광법 전환 가능성.
• 전자 합금 및 초전도체에서 검증.

재료과학 전망

AI를 품질 관리에 통합하면 반도체 생산이 혁신될 것입니다. 개발자들은 공장 현장에서 실시간 결함 모니터링과 도핑 매개변수 최적화가 가능해집니다. 고급 재료과학자들에게는 대형 시설 없이 기본 데이터 접근이 열립니다. 다음 단계: 데이터셋 확장, 멀티모달 훈련(중성자 + 라만 + TEM). 이를 통해 배터리, PV 셀, 양자 재료로 기술 확대.

— Editorial Team