그동안 공학자들은 강철이나 실리콘 소재의 성능을 결정짓는 미세한 '결함'을 측정하는 데 큰 어려움을 겪어왔다. 특정 결함은 전도성을 높이는 데 필수적이지만, 원치 않는 불순물은 제품의 효율을 심각하게 떨어뜨릴 수 있기 때문이다. 기존에는 이러한 원자 수준의 불규칙성을 확인하기 위해 소재를 직접 절단해야 하는 파괴 검사가 필수적이었으며, 이는 분석 효율성을 저해하는 요인이 되었다.

최근 MIT 연구진은 재료 과학의 패러다임을 바꿀 AI 파운데이션 모델을 새롭게 도입했다. 약 2,000종의 반도체 소재를 학습한 이 모델은 원자들이 고체 내부에서 미세하게 진동하는 방식인 Vibrational frequencies를 해석하여 구조적 결함을 식별한다. 특히 최신 챗봇의 핵심 아키텍처인 Multi-head attention 메커니즘을 활용하여, 최대 6가지의 서로 다른 결함이 중첩되어 발생하는 복잡한 신호를 정밀하게 분리해낼 수 있다.

이러한 비파괴적 접근 방식은 샘플을 손상시키지 않고도 소재의 내부 상태에 대한 '전체적인 그림'을 제공한다. 현재 분석을 위해서는 특수한 Neutron scattering 시설이 필요하지만, 연구팀은 산업 현장에서 널리 쓰이는 광학 기술인 라만 분광법(Raman spectroscopy)에도 이 모델을 적용하기 위해 노력하고 있다. 이러한 기술적 도약은 공장 내 실시간 품질 관리를 가능하게 함으로써 더 효율적인 태양전지와 배터리, 차세대 미세 공정 반도체의 생산을 가속화할 전망이다.

그동안 공학자들은 강철이나 실리콘 소재의 성능을 결정짓는 미세한 '결함'을 측정하는 데 큰 어려움을 겪어왔다. 특정 결함은 전도성을 높이는 데 필수적이지만, 원치 않는 불순물은 제품의 효율을 심각하게 떨어뜨릴 수 있기 때문이다. 기존에는 이러한 원자 수준의 불규칙성을 확인하기 위해 소재를 직접 절단해야 하는 파괴 검사가 필수적이었으며, 이는 분석 효율성을 저해하는 요인이 되었다.

최근 MIT 연구진은 재료 과학의 패러다임을 바꿀 AI 파운데이션 모델을 새롭게 도입했다. 약 2,000종의 반도체 소재를 학습한 이 모델은 원자들이 고체 내부에서 미세하게 진동하는 방식인 Vibrational frequencies를 해석하여 구조적 결함을 식별한다. 특히 최신 챗봇의 핵심 아키텍처인 Multi-head attention 메커니즘을 활용하여, 최대 6가지의 서로 다른 결함이 중첩되어 발생하는 복잡한 신호를 정밀하게 분리해낼 수 있다.

이러한 비파괴적 접근 방식은 샘플을 손상시키지 않고도 소재의 내부 상태에 대한 '전체적인 그림'을 제공한다. 현재 분석을 위해서는 특수한 Neutron scattering 시설이 필요하지만, 연구팀은 산업 현장에서 널리 쓰이는 광학 기술인 라만 분광법(Raman spectroscopy)에도 이 모델을 적용하기 위해 노력하고 있다. 이러한 기술적 도약은 공장 내 실시간 품질 관리를 가능하게 함으로써 더 효율적인 태양전지와 배터리, 차세대 미세 공정 반도체의 생산을 가속화할 전망이다.