PA-MBE로 성장된 InGaN 나노선 LED의 성장 및 구조적 특성 분석

김종우, 이범구, 김균서, 정다솜, 민정욱, New Physics: Sae Mulli 75, 314 (2025).

마이크로 발광 다이오드(LED) 디스플레이를 구현하기 위해서는 LED 소자의 가로와 세로 크기를 각각 100 µm 이하로 축소해야 한다. 그러나 top-down 플라즈마 에칭 공정은 이 과정에서 결정 손상을 유발하고, 일반적인 LED와 비교했을 때 마이크로 LED 스케일에서는 더욱 심각한 효율 저하로 이어진다. 반면 bottom-up 성장 방식은 플라즈마 에칭 공정을 생략할 수 있어, 차세대 마이크로 LED 연구에서 유력한 대안으로 주목받고 있다.

본 연구에서는 실리콘 기판 위에 플라즈마 보조 분자선 에피택시(Plasma-Assisted Molecular Beam Epitaxy, PA-MBE)를 적용하고, 초기 핵 생성 과정에서 AlN 버퍼층을 도입함으로써 나노선 간 응축(coalescence)을 억제하고 결정 품위를 향상시켰다. 이후 성장된 n형 GaN 나노선 위에는 축 방향 InGaN 세그먼트를 포함한 InGaN/GaN 이중 이종구조 다중 양자우물을 활성층으로 형성하였고,  이어서 p형 AlGaN 전자차단층 및 p형 GaN 헤드층을 순차적으로 성장하였다. 소자 공정에서는 2단계 경사각(oblique angle) ITO 증착법을 도입해 공정 복잡도를 낮추었다. 이는 나노선 어레이의 폴리머 평탄화(polymer planarization) 공정에서 수반되는 etch-back 단계를 생략함으로써, 플라즈마로 인한 p형 GaN 헤드층 변형을 억제할 수 있기 때문이다

그 결과, 539~661 nm 범위에서 장파장 발광이 가능함을 확인하였으며, 광발광(photoluminescence)과 전계발광(electroluminescence) 측정을 통해 높은 인듐 함량이 성공적으로 구현되었음을 입증했다. 특히, p-i-n 구조의 InGaN 나노선 LED에서는 녹색 LED가 적색 LED보다 낮은 이상인자(ideality factor)를 보여 상대적으로 우수한 결정 품질을 확보하고 있음을 확인했다. 이는 활성층 내 고인듐 InGaN에 의해 비방사 재결합이 증가하는 현상을 제어하고 장파장 발광을 구현하기 위해서는 나노선 구조와 공정 제어의 최적화가 필수적임을 의미한다.

결과적으로, 본 연구는 bottom-up 나노선 플랫폼을 통해 마이크로 LED 소형화 과정에서 발생하는 플라즈마 에칭 손상을 회피하면서도 고효율 광전자 소자를 구현할 수 있음을 제시한다. 이러한 결과는 차세대 디스플레이 및 고효율 고체 조명 분야에서 새로운 가능성을 열어줄 것으로 기대된다(그림).

ChatGPT의 미세 조정을 통한 단문의 서답형 문항 자동 채점에 대한 연구

이재봉, New Physics: Sae Mulli 75, 381 (2025).

이 논문은 최근 주목받고 있는 인공지능 기술인 ChatGPT를 활용해 학생들이 서술형으로 작성한 짧은 답안을 자동 채점할 수 있는지, 그 정확성은 얼마나 되는지, 그리고 어떻게 정확성을 높여 실제 많은 수의 답안을 채점할 수 있는지에 대해서 살펴보았다.

연구에서는 국가수준 학업성취도 평가에서 사용된 물리 문항 중 비교적 응답의 다양성이 높은 답안을 0점, 1점, 2점으로 분류해 채점하도록 했다. 생성형 AI의 대표 주자로 여겨지는 ChatGPT는 거대 언어 모델(Large Language Model, LLM)의 하나로 수많은 텍스트를 미리 학습해서 사람처럼 자연어를  이해하고 생성할 수 있다. 그러나 이것을 이용해서 짧은 문장의 학생 답안을 바로 채점하기는 어렵다. 거대 언어 모델의 특성상 이른바 환각 현상(hallucination)도 있고, 동일한 질문을 해도 매번 다른 답변을 할 수 있다는 한계가 있다. 그래서 연구에서는 거대 언어 모델인 ChatGPT를 사용자의 과제, 여기서는 채점에 적합하도록 미세 조정(fine-tuning)하는 방법을 적용하였다. ChatGPT에게 “너는 과학 교사야, 학생의 답안을 채점해줘”라고 역할을 부여하고, 실제 학생 답변과 점수를 예시로 보여주며 반복 학습시킨 후 채점을 진행한 결과 높은 성능을 보여 미세 조정된 ChatGPT 모델이 자동 채점에 활용될 가능성이 있음을 확인하였다. 훈련데이터를 원시데이터와 같이 비균일하게 학습시킨 초기 미세 조정 모델에서는 0점 답안은 잘 맞췄지만, 1점이나 2점은 정확도가 떨어졌으나 점수별 답안 수가 고르게 분포된 작은 데이터로 먼저 학습시키고, 점차 데이터를 늘려가는 방식(그림 참조)으로 변경한 모델에서는 성능이 크게 개선되어 단순 일치율 기준으로는 89.3% 정도가 인간 채점과 일치하였다. 그러나 여전히 인간 채점과 일치도가 비교적 낮고 특정 단어나 키워드에만 의존하거나 물리 개념을 잘못 이해하는 한계도 나타났다.

연구에서는 ChatGPT 3.5모델을 기본 모델로 활용하였으나 현재도 모델이 급속도로 발전하고 있으며, 아직 완전히 사람을 대체할 수는 없는 수준이지만 현 상태에서도 보조 채점 도구로 활용하여 채점 시간을 줄여 피드백을 빠르게 제공하는 데 도움을 줄 수 있을 것으로 보인다. 연구에서는 또한 연구 결과를 바탕으로 교육 현장에서의 적용과 계속적인 연구를 위한 시사점을 논의하였다.