P형 산화 반도체, 유력 후보 소재 발견

■ P형 산화 반도체, 유력 후보 소재 발견

 

국내 연구진이 2018년 도입된 슈퍼컴퓨터 5호 누리온을 활용해 거의 모든 전자 소자에 필요한 차세대 P형 반도체의 유력 후보 물질을 발굴했다. 한국 과학기술 정보연구원(KISTI)은 2019년 08월 08일 서울대 재료 공학부 한승우 교수 연구팀이 KISTI 슈퍼컴퓨터 ‘누리온’을 활용해 P형 산화물 반도체 소재 후보 물질을 발굴했다고 밝혔다.

 

P형 반도체는 태양전지, 광전소자 등 거의 모든 전자 소자에 필요한 핵심 소자이다. 전자가 지닌 에너지의 허용된 대역을 뜻하는 ‘밴드갭’이 충분하면서 전하 이동이 원활한 P형 산화반도체의 경우, 투명 전자,소자를 만드는 데 필요하다. 기존 P형 산화 반도체는 전하의 흐름이 원활하지 않다는 것이 단점이었다.

 

한승우 교수 연구팀은 이런 P형 산화 반도체의 단점을 보완하기 위해 슈퍼컴퓨터 ‘누리온’을 활용, 시뮬레이션을 통해 존재 가능한 다수의 P형 반도체 구조의 전기적 특성을 알아냈다. 누리온을 활용한 이유는 P형 반도체의 성능을 분석하려면 필요한 수소 불순물의 에너지를 도출해야 하는데, 이 때 대규모 계산이 필요하기 때문이다.

 

연구팀은 1만 7700개 물질을 대상으로 자체 수립한 스크리닝 기법을 도입해 총 156개의 P형 산화 반도체 후보군을 도출했다. 이 중 전자 전달이 빠르게 일어나면서 충분한 에너지 장벽을 갖는 2개의 후보 물질의 구조 안정성을 시뮬레이션을 통해 입증하는 데 성공했다.

 

KISTI 슈퍼컴퓨팅 응용센터 염민선 센터장은 “데이터 기반 과학 연구 시대에 데이터와 인공 지능을 활용한 연구가 부쩍 늘고 있다. 슈퍼컴퓨터를 활용해 대규모 연구 데이터를 생산하고 고속으로 처리해 기반 연구가 활성화될 수 있도록 노력할 것”이라고 말했다.

 

● p형 금속 산화막 반도체 (PMOS) : 부품 집적도가 뛰어나지만, n형 금속 산화막 반도체(NMOS) 보다 스위칭 속도가 느리다. 정공을 캐리어로 한다. P형 반도체는 실리콘과 동일한 4가 원소의 진성 반도체에, 미량의 3가 원소 (붕소, 알루미늄등)을 불순물로 첨가해서 만들어진다. P형 반도체의 종류는 산화물 반도체. 질화물 반도체. 비결정 반도체. 전계형 반도체. 자성 반도체 등이 있다.

 

● n형 금속 산화막 반도체 (NMOS) : 전자를 캐리어로 한다. p형 금속 산화막 반도체 (PMOS) 보다 스위칭 속도가 2-3배 빠르고, 전원의 극성이 플러스이기 때문에 양극성 집적 회로(IC)를 접속하기가 쉽다.

 

 

■ 핵심 부품 소재 국산화, AI가 이끈다.

 

● AI 활용, 개발 시간 비용 절감, 세상에 없던 소재 찾아내기도

 

소재 개발에 많은 시간이 필요한 한계를 극복하기 위해 정부는 ‘가상 시뮬레이션 연구 개발(R&D)’을 대책으로 제시됐다. 소재 선정부터 검증까지 인공 지능(AI)을 비롯한 가상 시험으로 소재를 개발하는 시뮬레이션 플랫폼을 정부는 2021년까지 구축하겠다고 한다.

 

그간 소재 연구는 소재를 발굴하고 이를 합성한 후 물성을 검증하는 지난한 과정을 거쳐야 했다. 소재 개발에 긴 시간이 소요될 수밖에 없다. 하지만 최근 들어 소재 개발 과정에서 축적된 데이터와 AI를 활용해 화학반응을 시뮬레이션하고 물성을 예측하는 소재 연구가 가능해지고 있다.

 

소재는 더는 실험실에서만 발굴되는 것이 아니다. 작은 컴퓨터에서도 새로운 물질이 발견되는 일들이 흔히 일어나고 있다. 포스텍 기계 공학과 및 화학 공학과 노준석 교수 연구팀은 2019년 07월 15일 AI 기술인 딥러닝을 이용해 투명 망토나 스텔스 잠수함 등에 들어가는 핵심 소재인 메타 물질을 발굴하는 기술을 개발했다. 한국 과학기술 연구원(KIST) 청정 에너지 연구센터 하정명 책임연구원 연구팀은 컴퓨터 계산을 통해 저렴한 메탄 가스에서 고부가 가치 화학 원료인 에틸렌을 얻어내는 촉매를 발견했다고 2019년 07월 29일 밝혔다. 원자 구조를 설계하는 시뮬레이션으로 여러 물질을 빠르게 탐색해 1달 걸릴 실험 시간을 한 시간으로 줄였다.

 

AI가 세상에 없는 소재를 찾아내는 일도 점점 현실로 다가오고 있다. 미국 로렌스 버클리 국립연구소 아누바브 자인 연구원팀은 AI에게 재료 연구 논문 초록 330만 개를 학습시킨 뒤, 새로운 열전 소재를 찾아냈다는 연구 결과를 2019년 07월 03일 국제학술지 ‘네이처’에 발표했다.

 

AI로 찾아낸 재료를 AI가 스스로 실험실에서 합성하는 사례도 늘고 있다. 실험 설계와 진행을 모두 AI가 하는 셈이다. 미국 매사추세츠 공대(MIT) 화학부 티머시 제이미슨 교수팀은 2019년 08월 08일 국제학술지 ‘사이언스’에 AI가 수백만 건의 데이터를 학습해 15개의 약물 물질 후보를 추려내고, AI가 로봇팔을 휘둘러 직접 합성하는 데 성공했다고 발표했다.

 

미국과 일본 등 소재 선진국은 이미 AI를 소재 발굴에 활용하기 위한 소재 데이터를 모으는 데 주력하고 있다. 미국은 2014년 ‘소재 게놈 이니셔티브(MGI)’ 국가전략 계획을 수립했다. 인간 게놈 지도를 만들어 생물학 연구에 획기적인 기반을 마련한 것처럼 소재도 데이터베이스화해서 첨단 소재 경쟁력을 확보하겠다는 것이다.

 

유럽도 소재 빅데이터 구축을 위해 2015년 ‘희귀 소재 발견(NOMAD)’ 프로젝트를 시작했다. 빅데이터 분석 도구와 소재 데이터베이스를 구축하는 것이 목표이다. 일본도 빠지지 않는다. 일본 물질재료 연구소(NIMS)는 일본 과학기술 진흥기구(JST) 지원으로 ‘정보 통합 물질·재료 개발 이니셔티브(MI2I)’를 2015년 추진했다.

 

한국이 일본의 수출 규제로 내놓은 대책의 실효성을 높이기 위해서는 연구자들 컴퓨터에 남아 있는 연구 데이터를 통합해 활용하는 방안이 필요하다는 지적이다. 과학기술 정보통신부가 2017년 연구 데이터 지식 자산화 태스크포스(TF)를 출범시켰지만, 아직 이렇다 할 소재 데이터베이스를 구축하지 못했다. KIST 기술정책 이광열 연구소장은 “소재 분야에서는 데이터가 연구자들의 PC에 흩어져 있고, 활용될 기회가 전혀 없다. 이것들을 하나하나 모아야만 혁신적인 소재를 개발할 수 있을 것”이라고 강조했다.