화학식 하나만 입력하면 밴드갭·유전율을 예측하고, 수천 개 후보 중 DRAM에 적합한 소재를 자동으로 추려줍니다. 선별된 소재의 ALD 공정 조건까지 사전 예측하는 3단계 파이프라인입니다.
Materials Project
153,000 화합물 DFT 계산 데이터
→
Magpie 특성화
화학식 → 132개 수치 특성 자동 생성
→
Phase 1
밴드갭 예측 R² = 0.749
→
Phase 2
유전율 + Pareto 381개 후보 선별
→
Phase 3
ALD 공정 예측 R² = 0.918
153k
학습 화합물 수
132
Magpie 피처 수
3,914→381
후보 필터링 결과
3
연결된 파이프라인
Algorithm
알고리즘이 어떻게 작동하는가?
이 프로젝트는 세 가지 핵심 기술을 연결해서 동작합니다. 각각을 차례대로 설명합니다.
① Magpie — 화학식을 숫자로 바꾸는 방법
머신러닝 모델은 숫자만 입력받을 수 있습니다. 화학식 "HfO₂"를 바로 넣을 수 없기 때문에, Magpie라는 라이브러리로 화학식을 132개의 수치로 변환합니다.
?
어떻게 변환하나요?
조성 내 각 원소의 성질(d 전자 수, 전기음성도, 이온 반지름 등)을 통계적으로 요약합니다.
왜 유용한가: 실험 데이터가 없는 신규 소재도, 화학식만 알면 즉시 물성을 예측할 수 있습니다. "Ba₃Ta₂CdO₉"처럼 아무도 합성해본 적 없는 소재도 처리 가능합니다.
② XGBoost — 어떻게 밴드갭을 예측하나?
XGBoost는 수백 개의 결정 트리(Decision Tree)를 연속으로 쌓아 만드는 앙상블 모델입니다. 각 트리는 이전 트리가 틀린 부분을 집중적으로 보완합니다.
트리 500개를 쌓는 이유: 트리 하나는 단순하고 오차가 크지만, 500개가 서로 다른 패턴을 학습하고 더하면 정확도가 크게 올라갑니다. learning_rate=0.05는 각 트리가 너무 크게 기여하지 않도록 조절해 과적합을 방지합니다.
③ Feature Importance — AI가 어떤 특성을 중요하게 봤나?
XGBoost는 각 특성이 예측 오류를 얼마나 줄이는 데 기여했는지(Gain) 자동으로 계산합니다. 이 값이 클수록 모델이 그 특성에 더 많이 의존한다는 뜻입니다.
!
이것이 왜 중요한가?
단순 예측 정확도가 아닌, "모델이 무엇을 보고 판단하는가"를 알 수 있습니다. 그 답이 소재 물리 이론과 일치하면 모델이 의미있는 패턴을 학습했다는 증거가 됩니다.
Phase 1 결과: avg_dev NdValence (d 전자 수 편차)가 1위. d⁰인 Hf⁴⁺와 d¹인 Ti³⁺가 섞이면 전하 이동 경로가 생겨 밴드갭이 줄어든다는 물리와 정확히 일치합니다. Phase 2 결과: avg_dev NdUnfilled (빈 d 오비탈 편차)가 1위. 같은 d 오비탈 공간에서 반대 신호를 포착했습니다. AI가 예측 목적에 따라 스스로 다른 물리를 선택한 것입니다.
④ Pareto Front — 두 목표를 동시에 최대화하는 법
DRAM 소재는 유전율 k ↑ AND 밴드갭 Eg ↑를 동시에 원하지만, 대부분의 소재는 k를 높이면 Eg가 낮아지고 그 반대도 마찬가지입니다. 어느 한 기준으로만 정렬하면 좋은 후보를 놓칩니다.
Pareto front란: "k를 더 높이려면 Eg를 포기해야 하는" 경계선 위의 점들입니다. 이 선 위의 소재들은 두 목표를 최선으로 동시에 만족합니다. HfO₂가 레퍼런스와 가깝게 예측된다면, 신규 후보들도 신뢰할 수 있다는 검증이 됩니다.
⑤ ALD 공정 예측 — pulse_time이 온도보다 중요한 이유
ALD(Atomic Layer Deposition)는 전구체를 한 층씩 쌓는 박막 증착 공정입니다. GPC(Growth Per Cycle, Å/cycle)는 한 사이클당 증착 두께입니다.
자기제한(Self-limiting) 반응: ALD의 핵심 특성으로, 전구체가 표면을 한 층 덮으면 더 이상 반응하지 않습니다. 따라서 pulse 시간이 충분히 길면 GPC가 일정하게 유지됩니다. AI가 데이터에서 이 물리 원리를 스스로 학습한 것입니다.
물리 해석: avg_dev NdValence = 조성 내 원소들의 d 전자 수 편차. d⁰ 원소(Hf⁴⁺, Zr⁴⁺)만 있으면 밴드갭이 넓고, d 전자 수가 다른 원소들이 섞이면 전하 이동 경로가 생겨 밴드갭이 줄어드는 패턴을 AI가 학습했습니다. 132개 피처를 비선형적으로 종합해서 R²=0.749를 달성합니다.
핵심 대비: Phase 1 1위는 avg_dev NdValence(채워진 d 전자 편차)이고, Phase 2 1위는 avg_dev NdUnfilled(빈 d 오비탈 편차)입니다. 빈 d 오비탈이 있을수록 이온 분극이 가능해져 유전율이 높아집니다(Clausius-Mossotti 관계). 같은 d 오비탈에서 AI가 반대 신호를 학습한 것입니다.
물리 해석: 예상한 temperature가 아닌 pulse_time이 압도적 1위 (0.620). ALD의 자기제한 반응 원리 — 충분한 pulse 시간이 있어야 전구체가 표면을 완전히 덮어 GPC가 안정됩니다. ALD 윈도우(온도 평탄 구간)도 시각화로 확인됐습니다.
⚠️ 현재 더미 데이터 기준 (R²=0.918은 과도하게 높음). 실제 문헌 데이터 교체 후 R² > 0.5 목표.
Key Insight
같은 파이프라인, 세 가지 다른 물리
3단계 모두 동일한 XGBoost 구조를 사용했지만, 예측 목적이 달라지면 AI가 스스로 다른 물리 법칙을 선택합니다.
Phase 1 · 밴드갭 예측
결정장 이론
avg_dev NdValence
d⁰ 혼합 정도 → 전하이동경로 → 밴드갭 결정
Phase 2 · 유전율 예측
Clausius-Mossotti
avg_dev NdUnfilled
빈 d 오비탈 → 이온 분극 허용 → 유전율 증가
Phase 3 · ALD GPC 예측
자기제한 반응
pulse_time
포화 흡착 완성 → GPC 안정화 → ALD 윈도우
결론: AI는 탐색 공간을 빠르게 좁히는 도구이고, 결과에 물리적 의미를 부여하는 것은 도메인 지식입니다. 같은 d 오비탈에서 Phase 1은 "채워진 정도", Phase 2는 "비어있는 정도"를 학습 — 이 차이를 읽을 수 있는 것이 소재 전문가의 역할입니다.