ML 기반 RHEED 분석을 통한 2D TMDC 에피 성장 모드 규명 연구

Machine-Learning-Assisted RHEED Analysis for 2D TMDC Epitaxial Growth Mode Discovery

연구 내용

RHEED 동영상에서 성장 중 결정 상태를 정량적으로 추출하기 위해 PCA와 클러스터링을 결합한 ML 기반 분석을 수행하고, 기판 기여를 분리해 2D TMDC 층 성장 모드를 규명하는 연구

in situ reflective high-energy electron diffraction(RHEED) 동영상을 기반으로 성장 과정의 패턴 변화를 정량화하는 ML 분석 프레임을 구축합니다. PCA와 K-means 클러스터링으로 통계적으로 중요한 패턴을 분리하고, 수정된 PCA로 기판 기여를 차단해 2D TMDC 층의 회절 강도 신호만 추적합니다. 이를 통해 성장 모드의 진화 경로를 단계적으로 해석하고, 이후 자율적 합성 및 실시간 공정 제어에 활용 가능한 모니터링 지표를 도출하는 차별성을 확보합니다.

관련 프로젝트

4건

연구 흐름

초기에는 RHEED 동영상의 전체 정보를 보존하면서 성장 패턴을 통계적으로 분해하는 ML 기반 분석을 확립하고, 이후 기판 신호를 분리해 2D TMDC 층의 회절 강도 변화를 직접 추적하는 방향으로 연구를 심화했습니다. 특히 2023년 연구에서 ReSe2/그래핀 계의 성장 동역학을 ML로 해석하는 방법을 제시했습니다. 2024년에는 2D TMDC 박막의 초기 성장 모드를 식별하는 문제로 확장하여 공정 중 초기 단계의 재현 가능한 판별 체계를 구축했습니다. 현재는 칼코겐화물 에피박막 과제에서 RHEED를 포함한 구조·전자구조 분석과 연계하여 성장 제어 변수를 도출하고 있습니다.

활용 가능성

활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.

실시간 성장 모니터링
자율적 박막 합성
성장 모드 판별 알고리즘
기판 기여 분리 기반 공정 진단
RHEED 데이터 표준화 체계
2D TMDC 공정 최적화
에피성장 품질 예측
초박막 구조 재현성 향상
고처리량 박막 스크리닝
공정 조건-물성 매핑