SparseCAFM 딥러닝 기반 초고속 MoS2 전도도 지도 재구성

초록

**
본 논문은 전도성 AFM(C‑AFM) 측정에서 발생하는 시간 병목을 해소하기 위해, 희소(undersampled) 스캔 데이터를 딥러닝으로 고해상도 전도도 맵으로 복원하는 SparseC‑AFM 모델을 제안한다. 2×, 4×, 8× 업샘플링 구조를 갖는 Swin‑Transformer 기반 네트워크를 학습시켜 MoS₂ 박막의 피복률, 결함 밀도, 결정립 경계 등을 정확히 추출한다. 실험 결과, 전체 해상도 스캔 대비 11배 이상의 측정 시간을 절감하면서 PSNR·SSIM 등 재구성 지표와 전기적 특성(전류 평균, 면적 등)에서 기존 방법과 거의 동일한 성능을 보였다.

**

상세 분석

**
SparseC‑AFM은 기존 C‑AFM이 요구하는 고밀도 래스터 스캔(1530 분)과 달리, 5 분 이하의 짧은 시간에 64 × 64256 × 256 픽셀 수준의 희소 데이터를 수집하고, 이를 딥러닝 기반 초해상도 복원으로 512 × 512 풀해상도 전도도 맵으로 변환한다. 핵심 아키텍처는 SwinIR에서 영감을 얻은 Swin‑Transformer 블록을 다중 스택으로 쌓아, 지역적 윈도우‑자기주의와 전역적 컨텍스트를 동시에 학습한다. 입력은 표면 형태와 전류 두 채널을 각각 별도로 처리하거나, 결합 입력으로 사용할 수 있으며, 얕은 Conv 레이어를 통해 초기 특징을 추출한 뒤, 깊은 Transformer 블록에서 복합적인 패턴을 인코딩한다. 최종 단계에서는 업샘플링 Conv 레이어와 스킵 연결을 통해 고해상도 출력을 재구성한다. 손실 함수는 L1 손실을 기본으로 사용했으며, 필요에 따라 PSNR·SSIM 기반 보조 손실을 추가할 수 있다.

데이터 수집 측면에서 저자들은 PECVD 공정으로 성장된 MoS₂를 Si/SiO₂ 기판에 증착하고, PPP‑CONTSCPt 전도성 팁을 이용해 진공(10⁻⁵ torr) 및 대기 환경에서 다중 스캔을 수행했다. 전체 데이터셋은 512 × 512 풀해상도 이미지와 256 × 256, 128 × 128, 64 × 64 희소 이미지로 구성되었으며, 랜덤 크롭 및 컬러 변환 등 데이터 증강을 적용해 모델의 일반화를 강화하였다. 학습은 A6000 GPU 1대에서 200 epoch, 배치 크기 16~4(업샘플링 비율에 따라)로 진행되었고, Adam 옵티마이저(learning rate = 1e‑5, β₁ = 0.9, β₂ = 0.99)를 사용했다.

성능 평가에서는 전통적인 재구성 지표인 PSNR·SSIM 외에도, 물리 기반 파이썬 스크립트를 통해 전류 맵에서 면적, 피복률, 결함 영역 크기 등을 정량화하였다. 결과적으로 4× 업샘플링(즉, 데이터 1/16)에서는 PSNR ≈ 30 dB, SSIM ≈ 0.92를 달성했으며, 8× 업샘플링(데이터 1/64)에서도 PSNR ≈ 27 dB, SSIM ≈ 0.88 수준을 유지했다. 전기적 특성 비교에서는 평균 전류 오차 < 5 %에 그쳤고, 결함 면적 추정 오차는 60 % 이상 개선되었다(희소 입력 대비). 또한, 추론 시간은 0.2 초 내외로, 기존 Gaussian Process Regression(GPR)이나 RNAN과 같은 방법에 비해 수십 배 빠르다.

실용적인 관점에서 SparseC‑AFM은 (1) 비침투성(기존 스캔 프로세스와 동일한 하드웨어 사용)이며, (2) 다양한 기판·환경·스캔 밀도에 대해 빠른 파인‑튜닝이 가능하다는 점에서 산업 현장 적용 가능성이 높다. 특히, 대량 생산 라인에서 전도도 맵을 실시간으로 모니터링하고, 결함 검출 및 공정 제어에 활용할 경우, 측정 비용·시간을 크게 절감하면서 품질 관리 정확도를 유지할 수 있다. 향후 연구에서는 다른 2D 전이금속 디칼코게나이드(TMD) 소재, 다중 물리량(예: 전압‑전류 스펙트럼) 및 멀티‑모달 AFM(예: 피크포스 AFM) 데이터와의 융합을 통해 모델의 범용성을 더욱 확대할 여지가 있다.

**