나노빔 전자회절 패턴을 통한 구조적 단거리 질서 정량화: 전이 학습 기반 접근법

초록

본 연구는 Cu‑Zr 합금의 금속 유리와 비정질 입계 복합체에서 가상 전자회절 패턴을 생성하고, 사전 학습된 ResNet‑18 모델을 전이 학습하여 지역적 구조적 단거리 질서(SSRO)를 나타내는 무질서 파라미터를 정량적으로 예측한다. 실험적 NBED 데이터에 적용해 공간적 변화를 성공적으로 포착함으로써 비정질 물질의 구조‑특성 관계 연구에 새로운 정량적 도구를 제공한다.

상세 분석

이 논문은 비정질 고체의 구조적 단거리 질서(SSRO)를 정량화하기 위해 나노빔 전자회절(NBED) 패턴과 딥러닝을 결합한 혁신적인 프레임워크를 제시한다. 먼저 Cu‑Zr 합금계에서 하이브리드 분자동역학·몬테카를로 시뮬레이션을 이용해 비정질 입계 복합체와 금속 유리 모델을 구축하고, 다양한 상호작용 부피(1층 원자 클러스터, 2층 클러스터, 원통형, 타원형)를 갖는 가상 회절 패턴을 생성한다. 이러한 가상 데이터는 실제 NBED 실험에서 얻을 수 있는 4D‑STEM 이미지와 형태가 유사하도록 설계되었으며, 각 패턴에 대응하는 ‘무질서 파라미터(𝜒)’를 원자 수준에서 계산한다. 𝜒는 결합 방향 순서 파라미터를 기반으로 하며, 0은 완전 결정, 1은 완전 액체를 의미한다.

전이 학습 단계에서는 ImageNet으로 사전 학습된 ResNet‑18 네트워크를 사용해, 회절 이미지와 𝜒 사이의 회귀 관계를 학습한다. Adam 옵티마이저와 단계적 학습률 감소 전략을 적용해 400 epoch 동안 훈련했으며, 검증 집합에서 평균 절대 오차(MAE)가 매우 낮게 유지돼 모델의 일반화 능력이 입증된다. 특히 전통적인 Voronoi 지표보다 𝜒가 목표 변수로서 더 높은 예측 정확도를 보였는데, 이는 Voronoi 인덱스가 복잡한 비정질 구조를 완전히 포착하지 못하는 한계를 극복한다는 점에서 의미가 크다.

모델의 전이 가능성을 검증하기 위해, 훈련에 사용되지 않은 다른 시뮬레이션 데이터와 실제 실험 NBED 패턴을 테스트했다. 실험 데이터에서는 공간적으로 변하는 𝜒 값이 기대한 대로 입계 근처와 내부에서 차이를 보였으며, 이는 모델이 실제 전자현미경 이미지에서도 구조적 변이를 정량적으로 감지할 수 있음을 증명한다. 또한, 다양한 상호작용 부피에 대해 일관된 성능을 유지함으로써, 실험 조건(빔 크기, 샘플 두께 등)의 변동에도 강인함을 확인했다.

이 연구는 비정질 물질의 SSRO를 정량적으로 측정할 수 있는 첫 번째 실험‑계산 통합 방법론으로 평가된다. 무질서 파라미터를 활용함으로써, 비정질 입계 복합체, 금속 유리, 비정질‑결정 복합체 등 다양한 시스템에서 구조‑기계적 연관성을 정밀하게 탐색할 수 있다. 향후에는 다른 합금계나 비금속 유리에도 적용해 구조‑특성 지도화를 수행하고, 머신러닝 기반의 실시간 NBED 분석 파이프라인을 구축함으로써 재료 설계와 품질 관리에 직접적인 활용이 기대된다.