저차원 자성은, 필름처럼 아주 얇은 2차원적 자석 혹은 하나의 선으로 생각할 수 있을 정도로 가느다란 1차원적 자석 등에서 나타나는 특성을 말합니다. 이러한 저차원 자성에서는 우리가 흔히 접할 수 있는 막대자석에서는 보이지 않는 독특한 특성들이 나타나는데요. 이러한 특성들을 관측하거나 측정하기 위해서는 여러 장비가 복합적으로 필요합니다. 예를 들어, 전자 현미경을 이용해 저차원 자석에서 나타나는 자성구조를 관측한 이미지를 얻는다고 하더라도, 그 자석의 다른 특성을 알고 싶다면 또 다른 장비를 사용해야 하고 그 측정 시간도 장비에 따라 천차만별입니다. 저는 학문후속세대양성사업지원을 통해 전자 현미경으로 관측한 이미지만으로 저차원 자성 시스템의 다양한 물성을 한꺼번에 추정해 낼 수 있는 머신러닝 기법을 개발하고 있습니다.

사실 논문 게재가 확정되고도 “온라인에서 논문이 검색될 때까지 못 믿겠다” 생각될 정도로 기뻤습니다. 논문 투고 후 리뷰 과정이 어렵긴 했지만, 같이 연구를 진행한 연구그룹 및 지도 박사님과 상의하며 잘 마무리할 수 있었습니다.

자성 시스템은 차세대 반도체 개발을 위한 잠재력 높은 과학적 연구 가치가 있습니다. 현재 사용되는 실리콘 반도체의 집적도 한계를 극복하고 초저전력, 고성능 차세대 반도체 개발을 위해 전자의 ‘스핀(spin)’과 ‘전자공학(electronics)’을 함께 연구하는 스핀트로닉스(spintronics) 연구가 활발합니다. 따라서 많은 연구자들이 자성 시스템의 특성을 좀 더 정확하고 깊게 이해하기 위해 많은 시간과 자원을 투입하여 실험을 통해 직접 물성을 측정해왔습니다. 저는 이미지 분석에 최적화되어 있는 머신러닝 기술을 활용하여 자성체의 물성을 순식간에 분석하는 딥러닝 기술을 개발하였습니다. 즉, 인공지능 기술을 활용하여 자성체의 스핀구조 이미지로부터 자기적 물성을 추정하는 기술을 개발한 건데요. 인공지능에 기계학습 알고리즘을 적용하여 기존 자성 도메인 이미지들을 학습시키고, 새로운 자성 도메인 이미지를 보면 그 물질의 자기적 물성을 추정하도록 했습니다. 그 결과 자성체의 전자현미경 이미지를 입력하고 실시간으로 해당 자성체의 자기적 물성을 추정할 수 있게 되었으며, 또한 실제 관측한 데이터와 인공지능이 추정한 값을 비교했더니 그 오차가 1% 내외로 정확도가 매우 높았습니다. 그 결과 기존에는 수십 시간까지 걸리던 소재 분석 시간을 단축할 수 있게 되었습니다.

자성체의 물성을 순식간에 분석하는 딥러닝 기술 소개

차세대 반도체 소자를 개발하고 그 동작특성을 설계하기 위해선, 그 소자에 쓰일 소재들의 다양한 물성들을 정확히 알아내야 합니다. 본 연구 결과는 자성 시스템의 물성을 알아내기 위해 필요한 시간적, 공간적 비용을 현격히 절감하는 기술이며, 이러한 진보를 통해 스핀트로닉스 분야의 연구 효율성이 증가하고, 이론과 실험 사이의 간극을 줄일 수 있을 것으로 생각합니다. 또한, 이미지를 통한 물성 추정이라는 본 연구의 본질을 생각해볼 때, 자성 물질뿐만 아니라 더 광범위한 소재분야에도 적용될 가능성이 높다고 생각합니다. 궁극적으로 인공지능 기술과 순수과학 연구의 융합이라는 새로운 연구 분야의 확장이 이루어질 수 있을 것으로 기대합니다.

일반적으로 기존의 전산 모사 방법의 과정을 살펴보면 먼저 연구하고 싶은 어떤 시스템의 물리적 파라미터를 입력하고, 그 시스템에서 나타날 법한 물리적 상태를 시뮬레이션하여 최종 결과를 출력하는 것입니다. 본 연구는 반대로, 그 최종 결과에 해당하는 것을 입력하면 기존 전산 모사 방법의 입력으로 사용되는 물리적 파라미터를 출력해 낼 수 있는, 즉 기존 과정의 역과정이라고 생각할 수 있습니다. 물론 머신러닝 기술의 등장 이전에도 이러한 역과정을 개발하기 위한 시도는 자성 시스템뿐만 아니라 다양한 과학 연구 분야에서도 이루어지고 있었습니다. 하지만, 머신러닝 기술의 등장 이후 이것을 응용하니 기존의 성능 및 한계를 뛰어넘는 놀라운 결과들을 만들어 낼 수 있었다는 것입니다.

머신러닝 기술이 접목된 새로운 방법이란 사실 머신러닝의 장점뿐만 아니라 한계점도 함께 가질 수 있음을 의미합니다. 머신러닝 기술을 활용할 때 부딪치는 대표적인 어려움 중 하나는 ‘학습에 사용할 데이터를 어떻게 마련할 것인가’하는 점입니다. 만약 저희도 전자 현미경으로 찍은 수천, 수만장의 이미지를 확보할 수 있는 상황이었다면 그 데이터를 이용하여 머신러닝을 수행했을 것입니다. 하지만, 현실적으로 그 정도의 이미지를 확보하기 어렵습니다. 또 이 프로젝트를 위해 다수의 샘플을 직접 측정해서 새로운 이미지를 만들어내려면 천문학적인 시간과 비용이 필요합니다. 따라서 저희는 다양한 연구에 사용되어온 기존 전산모사 기법을 이용하여 데이터를 생성하고, 실제 데이터에 있을 법한 이미지상의 노이즈를 추가하여 수만 장의 이미지 데이터를 생성하였습니다. 앞으로 더욱 많은 실험들이 이루어지고, 그 결과들을 모아서 관리해줄 수 있는 학술 데이터 은행과 같은 시스템이 구축된다면, 실제 이미지만을 이용한 머신러닝 수행이 가능할 것으로 기대되며, 이는 더욱 현실적인 물성 추정에 도움이 될 것입니다.

본 과제에서 사용된 머신러닝 모델을 더욱 심화하여 더 정확한 물성 추정을 위한 연구를 수행하는 동시에, 본 연구 분야의 지속적인 확장을 위해 노력하고자 합니다. 제가 이번 과제를 통해 수행한 것은 이미지를 넣으면 숫자가 나오는 방식입니다. 이 같은 사용방법도 있지만 머신러닝에서 흔히 쓰는 개와 고양이를 구분하는 것, 시계열 데이터를 분석하는 것, 또 데이터를 생성하는 것 등의 다른 사용방법들도 많이 있습니다. 이와 같은 다양한 기법들에 기반한 새로운 접근 방식 개발을 통해 머신러닝과 과학연구의 접목을 여러 각도에서 시도하고, 기존에 없었던 새로운 전산적 접근방법의 개발이나 과학계의 난제를 해결 할 수 있는 획기적인 방법을 개발하는데 기여하고 싶습니다. 그러한 방법들이 여러 분야에서 널리 사용되어 각 분야의 지식 경계를 더 확장할 수 있다면 연구자로서 보람이 클 것 같습니다.

그동안 시뮬레이션을 주로 다루는 물리 연구를 수행해 온 것이 경쟁력이라 할 수 있습니다. 머신러닝이 워낙 다양한 연구분야에서 관심을 받는 만큼, 많은 연구자들이 이를 응용하여 다양한 시도를 하고 있습니다. 이때 가장 큰 걸림돌 중 하나가 각 분야의 빅데이터 확보 가능 여부입니다. 따라서 시뮬레이션을 잘 다루면 저만의 질 좋은 빅데이터를 만들 수 있는 가능성도 높아집니다. 물론 시뮬레이션은 실제 자연 현상과 차이가 있을 수밖에 없습니다. 하지만 저는 학업과정 내내 이 시뮬레이션 데이터와 함께해오다 보니 그 데이터 세트의 특성 및 한계점들을 잘 알고 있어요. 이러한 경쟁력은 저만 가지고 있다기보다 전산적 접근방법을 사용하시는 여러 과학 분야의 연구자분들이 공통으로 가지고 있는 장점이라 생각합니다.

고등학교 1학년까지만 해도 대학에서 피아노를 전공할 줄 알았는데. 부모님의 권유로 전공을 바꾸게 되었습니다. 그때는 불만도 있었지만 지금 생각해보면 저를 올바른 길로 지도해주신 부모님의 혜안이었다고 생각합니다. 대학은 경희대학교 이학부에 진학했어요. 음악 다음으로 좋아했던 과목이 수학이었거든요. 학부 물리 수업시간에 수학으로 자연계를 설명하는 게 엄청 흥미롭게 느껴졌고, 물리 분야에서도 자성체를 연구하시는 교수님을 만나 지금에 이르렀습니다. 피아노는 지금도 취미로 즐기고 있어요. 결혼식 때 아내를 위해 연주하기도 했고요.(웃음)

무엇을 탐구하고 그것의 이치를 깨달아 가는 과학연구의 과정이 너무 재밌고 즐거워요. 그러다 보니 전 궁금한 게 생기면 집요하게 파고드는 편입니다. 한 3~4일 정도는 그 궁금한 걸 생각하느라 잠도 잘 못 자고, 무슨 일을 하든 어디에 있든 그 생각만 하는 것 같아요. 그렇게 생각해도 해결이 안 될 때도 많지만, 만약 그 궁금함이 풀리거나 연구의 방향이 잡히면 희열을 느낍니다. 그때 참 기쁘더라고요. 다행히 아내도 같은 물리학 박사여서 저의 이런 성격을 잘 이해해줍니다.(웃음)

연구재단 학문후속세대양성사업은 제가 박사학위를 마치고 독립된 연구자로서 첫 걸음을 내딛게 해 준 디딤돌과 같습니다. 저를 비롯한 많은 신진연구자들이 자신의 꿈을 향해 도전할 수 있도록 꾸준한 관심과 지원을 부탁드립니다.