Command Palette
Search for a command to run...
분석 효율이 200배 이상 향상되었습니다! 아르곤 국립 연구소는 비지도 학습 기반의 나노빔 회절 분석 방법을 제안하여 DONUT이 재료 특성을 정확하게 추출할 수 있도록 했습니다.
재료의 물성을 향상시키는 것은 본질적으로 재료의 내부 구조에 대한 정확한 이해에 달려 있습니다.
주사 X선 회절 현미경(SXDM)은 회절 대비를 이용하여 물질 구조 정보를 공간적으로 분해하는 첨단 분석 기술로, 최근 나노 규모 구조를 분석하는 데 중요한 도구로 자리 잡았습니다. 그러나 SXDM 데이터 분석의 핵심 과제는 빔 형상과 국부 격자 정보 간의 복합적인 관계에 있습니다. 기존 방법들은 일반적으로 시뮬레이션 데이터에 데이터를 맞춰 이러한 결합된 구조적 매개변수들을 분리합니다.하지만 이 과정은 계산 비용이 많이 들고 데이터 전처리 단계에 크게 의존합니다.
한편, 인공지능 기술은 점차 X선 과학 분야에 도입되고 있으며, 지도 학습 모델은 브래그 결맞음 회절(BCDI), X선 프티코그래피, 전자 현미경 분석과 같은 분야에서 데이터 처리 측면에서 상당한 이점을 이미 입증했습니다. 그러나 지도 학습에는 핵심적인 한계가 있습니다.이를 위해서는 대량의 고품질 레이블링된 학습 데이터셋이 필요하지만, 이는 쉬운 일이 아닙니다.한편으로, 시뮬레이션 데이터를 생성하려면 해당 분야에 대한 깊이 있는 지식이 필요하고, 다른 한편으로 실험 데이터를 수동으로 분석하려면 상당한 시간과 계산 자원이 소모됩니다. 더욱이, 시뮬레이션 데이터와 실제 실험 환경 간에 차이가 있을 수 있으며, 이는 모델의 일반화 능력을 제한할 수 있습니다.
이러한 맥락에서,미국 에너지부 산하 아르곤 국립 연구소의 연구팀이 비지도 학습 기반 나노빔 회절 분석 방법인 DONUT(Diffraction with Optics for Nanobeam by Unsupervised Training)을 제안했습니다.본 논문에서는 나노빔 회절 데이터의 신속하고 자동화된 분석을 위한 물리적 특성을 고려한 신경망 모델을 제시합니다. 이 방법은 레이블이 지정된 데이터셋이나 사전 학습된 모델이 필요 없도록 함으로써 X선 과학 응용 분야에서 지도 학습 방식의 근본적인 한계를 극복합니다. 실험 결과는 DONUT이 데이터에서 모든 특징을 정확하게 추출하여 기존 피팅 방식보다 200배 이상 높은 분석 효율을 달성함을 보여줍니다.
"DONUT: 실시간 X선 나노회절 분석을 위한 물리 인식 머신러닝"이라는 제목의 관련 연구 결과가 npj Computational Materials에 게재되었습니다.
연구 하이라이트:
* 미분 가능한 기하학적 회절 모델을 네트워크 아키텍처에 직접 내장함으로써 DONUT은 결정 격자 변형 및 방향 정보를 실시간으로 학습하고 예측할 수 있습니다.
* DONUT은 실험 데이터만으로 학습이 가능하며, 분석 속도가 기존 방식보다 200배 이상 빠릅니다. 또한, 컨볼루션의 구조적 매개변수를 더 높은 정확도로 분리합니다.
새로운 프레임워크는 SXDM 데이터의 실시간 자동 분석을 위한 유연하고 견고한 기술적 접근 방식을 제공하며, 동적 조건 하에서의 복잡한 재료 시스템 탐색 및 연구를 가속화할 것으로 기대됩니다.
서류 주소:
https://www.nature.com/articles/s41524-025-01860-7
이는 수동으로 레이블링된 데이터에 의존하는 기존 AI 모델 학습 방식을 변화시킵니다.
DONUT의 핵심 혁신 중 하나는 수동으로 레이블링된 데이터에 의존하는 기존 AI 모델 학습 방식을 바꾼 데 있습니다. 하지만 복잡한 재료 시스템의 경우, 이러한 레이블링된 데이터는 매우 제한적입니다. 따라서 DONUT은 물리적 제약 조건을 활용한 비지도 학습 방식을 채택하여 모델이 회절 데이터로부터 재료 구조 정보를 직접 학습할 수 있도록 합니다.
시뮬레이션 데이터
본 연구에서 연구팀은 먼저 DONUT 모델의 기본 기능을 검증하기 위해 모의 회절 데이터 세트를 구축했습니다. 이 모의 데이터는 격자 변형, 면내 회전, 면외 회전이라는 세 가지 주요 구조적 매개변수를 포함합니다.
변형률 매개변수 ε는 -0.005에서 0.005 사이의 범위로 설정됩니다.
평면 내 격자 회전 각도 ω는 -0.05°에서 0.05° 사이의 범위를 갖습니다.
평면 외 격자 회전 각도 χ는 -0.1°에서 0.1° 사이의 범위를 갖습니다.
연구진은 64×64 픽셀 크기의 모의 회절 이미지 68,921개를 생성했습니다. 각 모의 회절 패턴은 먼저 실험 측정값과 강도 분포가 일치하도록 크기를 조정한 후, 실제 실험에서의 잡음 수준을 모사하기 위해 포아송 분포를 사용하여 샘플링했습니다. 실험 데이터 세트는 샘플의 165×165개 위치를 포함하는 단일 샘플 스캔으로 구성되었습니다. 검출기에서 128×128 픽셀 크기의 관심 영역(ROI)을 선택하고 신호 대 잡음비를 개선하기 위해 64×64 픽셀로 추가 다운샘플링했습니다.
실험 데이터
실험 데이터를 사용하여 DONUT의 성능을 현재 최첨단 기존 데이터 분석 방법과 비교하여 평가했습니다.
먼저, 검출기 이미지에서 관심 영역(ROI)을 선택하는데, 이 영역이 측정된 회절 피크를 완전히 포함하도록 합니다. 그런 다음, ROI 내의 픽셀들을 비닝하여 각 2×2 픽셀 배열을 하나의 픽셀 값으로 집계함으로써 신호 대 잡음비를 향상시킵니다. 물리 기반 전방 산란 모델을 사용하여 격자 상수 공간을 포괄하는 시뮬레이션된 회절 라이브러리를 생성합니다.
실험적으로 측정된 각 회절 패턴은 시뮬레이션된 회절 패턴 라이브러리에 있는 각 시뮬레이션 패턴과 곱해져 일련의 상관 행렬을 생성합니다. 그런 다음, 이러한 상관 행렬을 각 격자 상수 축을 따라 투영하고, 투영 결과의 질량 중심에 대한 가중 합산 보간법을 통해 각 상수에 대한 가장 높은 상관 값을 얻습니다.
최종 데이터 세트(시뮬레이션 데이터, 실험 데이터 또는 둘의 조합)는 무작위로 훈련 세트(80%), 검증 세트(10%) 및 테스트 세트(10%)로 나뉘었습니다.
재료과학의 물리 법칙을 신경망 구조에 직접 통합하기
DONUT 아키텍처는 물리 정보를 고려한 오토인코더를 기반으로 합니다. 그러나 오토인코더가 직면한 중요한 과제는 잠재 공간의 해석 가능성입니다. 데이터 기반 임베딩 표현이 직접적인 물리적 의미를 갖지 못할 수 있기 때문입니다. 이러한 문제를 해결하기 위해,연구자들은 종종 네트워크 아키텍처나 손실 함수에 물리적 제약을 도입합니다.예시로는 강제된 대칭성, 보존 법칙 또는 영역별 사전 지식 등이 있습니다. DONUT은 이와 유사한 접근 방식을 사용하며, 전체 과정은 다음 다이어그램에 나와 있습니다.
* 인코더 구조와 대칭인 디코더 분기는 잠재 벡터를 기반으로 입력 회절 강도의 잡음 제거 버전을 재구성하는 데 사용됩니다.
* 회절 강도를 시뮬레이션하기 위해 잠재 매개변수(ε, ω 및 χ)를 사용하는 물리적 모델 기반의 순방향 모델 분기.
이 네트워크는 복합 손실 함수를 최소화하는 방식으로 학습됩니다. 이 손실 함수는 원본 입력 이미지와 두 분기(디코더의 재구성 결과와 물리 모델 기반 시뮬레이션 결과, 후자는 학습 가능한 매개변수를 포함하지 않음)의 출력 간의 가중 평균 절대 오차(MAE)입니다. 학습 과정에서 네트워크는 생성된 이미지가 입력 실험 데이터와 점진적으로 일치하도록 오토인코더 가중치를 반복적으로 조정합니다. 이러한 이중 목표 최적화 전략을 통해 인코더는 잠재 공간에서 학습하고 목표 구조 매개변수에 해당하는 물리적으로 정확하고 견고한 수치 표현을 생성할 수 있습니다.
완전한 DONUT 모델은 세 가지 최종 출력을 갖습니다.
* 회절 데이터에 해당하는 잠재 공간 텐서를 입력하십시오. 이 텐서에는 변형률, 평면 내 격자 회전 및 평면 외 격자 회전에 대한 정보가 포함됩니다.
* 디코더가 입력 이미지로부터 재구성한 이미지(즉, 입력 이미지의 노이즈 제거 결과).
* 물리적 제약 조건을 적용한 회절 모델을 기반으로 생성된 모의 회절 패턴
DONUT은 완전하고 미분 가능한 물리적 과정을 신경망 아키텍처에 내장함으로써 잠재 공간 변수가 특정 물리량에 대응하도록 하여 모델의 예측이 계산적으로 효율적일 뿐만 아니라 과학적으로 해석 가능하도록 보장합니다.
DONUT 분석의 효율성은 기존 피팅 방법에 비해 크게 향상되었습니다.
DONUT의 실제 성능을 검증하기 위해 연구팀은 시뮬레이션 데이터와 실제 실험 데이터를 모두 사용하여 테스트를 진행했으며, 그 결과를 기존의 상관관계 분석 방법 및 이전에 개발된 지도 학습 기반 딥러닝 모델과 비교했습니다.
시뮬레이션 데이터에 대한 성능
아래 그림은 DONUT 예측 결과와 기존 상관관계 적합 분석 방법의 비교를 보여줍니다.
실험 데이터에 대한 성능
다음으로 연구진은 SrIrO₃ 박막의 실험적인 SXDM 데이터를 사용하여 DONUT을 평가하고, 기존의 상관관계 분석 방법 및 이전에 개발된 지도 학습 기반 딥러닝 모델과의 성능을 비교했습니다.
아래 그림에서 볼 수 있듯이, DONUT의 예측 결과(그림 b)는 기존 분석 결과(그림 a)와 질적으로 일치하지만, 상당한 개선을 이루었습니다. 핵심은 기존 방법은 회전 특징이 변형 분포 지도에 잘못 나타나는 등 명백한 상호 간섭 아티팩트가 발생하는 반면, DONUT는 서로 다른 매개변수를 명확하고 독립적으로 분리할 수 있다는 점입니다.
연구진은 기존의 변형률 및 격자 회전 매개변수에 필름 두께 예측 차원을 추가하여 SXDM의 분석 기능을 더욱 확장했습니다. SXDM은 국부적인 총 강도 변화와 라우에 진동의 주기적 변화(즉, 검출기 좌표계에서 간섭 무늬 위치의 변화)를 통해 결정질 필름 두께의 불균일성을 감지할 수 있습니다. 아래 그림은 시뮬레이션 샘플(왼쪽)과 실험적으로 측정된 샘플(오른쪽)에 대한 DONUT의 필름 두께 예측 결과를 보여줍니다.
필름 두께 예측에는 여전히 불확실성이 존재하지만, 이 결과는 DONUT 프레임워크가 확장 가능하며 잠재적인 공간 매개변수를 추가함으로써 더 많은 재료 구조 정보를 예측할 수 있음을 입증합니다.
정확도 향상 외에도 DONUT의 가장 큰 장점은 계산 효율성입니다. 연구진의 테스트 결과, 동일한 NVIDIA GeForce RTX 3090 GPU 하드웨어 조건에서 기존 상관관계 분석 방법은 64×64 픽셀 크기의 단정밀도 부동소수점(32비트) 데이터 프레임 하나를 처리하는 데 5.6 ± 0.4ms가 소요되는 것으로 나타났습니다. 반면, DONUT 인코더는 동일한 GPU 하드웨어 조건에서 추론 주기 하나를 단 0.024 ± 0.001ms 만에 완료하여 기존 분석 방법보다 230배 이상 빠릅니다. 이러한 성능은 이전에 보고된 지도 학습 딥러닝 방법인 NanobeamNN(0.019 ± 0.001ms)과 유사한 수준입니다.
결론
DONUT은 주사 X선 나노회절 현미경 데이터의 신속하고 정확한 분석을 위한 물리적 특성을 고려한 비지도 딥러닝 프레임워크입니다. 미분 가능한 기하학적 회절 모델을 오토인코더 아키텍처에 직접 통합함으로써, DONUT은 결정 격자의 변형률 및 방향 정보를 실시간으로 추출하는 데 성공했습니다. 레이블이 지정된 학습 데이터 없이도 기존의 상관관계 피팅 방법보다 분석 속도가 훨씬 빠릅니다. 이 방법은 복잡한 나노회절 실험에서 실시간 피드백을 얻는 기술적 장벽을 크게 낮추어, 기본적인 물질 특성에 대한 이해를 가속화하고 다양한 과학 분야에서 나노 규모 동적 프로세스 연구를 발전시킬 수 있는 새로운 길을 열어줍니다.
물론, DONUT은 현재 주로 스캐닝 X선 나노회절 시나리오에 초점을 맞추고 있으며, 그 적용 범위는 실험 기하학 및 모델 가정에 의해 제한됩니다. 예를 들어, 더 높은 공간 해상도가 요구되는 X선 프티코그래피 작업의 경우, 적합한 물리적 AI 프레임워크의 추가 개발이 필요합니다. 그러나 더 넓은 관점에서 볼 때, DONUT은 대표적인 발전 방향을 제시합니다. 미래 과학 인공지능의 발전은 단순히 모델의 크기를 키우는 것이 아니라, 모델이 과학 법칙을 더 잘 이해할 수 있도록 하는 데에 있다는 것입니다.
참고문헌:
https://www.nature.com/articles/s41524-025-01860-7
https://phys.org/news/2026-08-real-ray-analysis-donut-materials.html
