AI 역설계 플랫폼으로 QLED 효율 2배·수명 40배 이상 개선

QLED 제조에서 용매 선택이 갖는 중요성

QLED는 나노미터 크기 반도체 입자인 양자점을 발광층으로 활용하는 소자로, 기판 위에 용액 상태의 양자점을 도포해 박막을 형성하는 용액 공정 덕분에 대면적·저비용 생산에 유리해 차세대 디스플레이 후보 기술로 주목받아 왔다. 그러나 고성능 QLED를 구현하려면 양자점 입자가 박막 내에서 균일하고 촘촘하게 배열되어야 하는데, 박막 형성에 사용하는 용매의 선택이 소자 밝기와 수명에 결정적 영향을 미친다. 어떤 용매 조건이 최적 성능을 이끌어 내는지를 이론적으로 예측하기 어려워, 연구자들은 경험과 반복 실험에 의존해 왔다.

AI 모델 학습 방법

연구팀은 이 문제를 해결하기 위해 용매의 물리적 특성과 박막 구조 사이의 상관관계를 머신러닝 모델에 학습시켰다. 먼저 5종의 대표 용매로 양자점 박막을 제작하고, 원자간력 현미경(AFM)으로 표면 균일도를 수치화했다. 이후 증기압·점도·밀도·유전상수 등 용매 물성 데이터와 해당 박막 형태 데이터를 결합해 머신러닝 모델을 훈련했다. 완성된 모델은 가장 균일한 양자점 박막을 생성하는 용매 특성을 역방향으로 예측할 수 있다.

혼합 용매로 AI 예측 조건 구현

AI가 제안한 최적 용매 특성을 단일 용매 하나로는 충족할 수 없었다. 연구팀은 여러 용매를 혼합해 AI가 제시한 조건에 근접한 복합 용매 시스템을 구성했다. 이 조합은 반복 실험만으로는 발견하기 어려웠을 복잡한 배합이었으며, 실제 QLED 제조 공정에 적용했을 때 기존 단일 용매 기반 소자 대비 효율 약 2배, 동작 수명 40배 이상의 향상을 달성했다.

연구의 의미와 한계

이번 성과는 디스플레이 소재·공정 개발에 데이터 기반 역설계 접근법을 도입했다는 점에서 의미가 있다. 연구팀은 동일한 프레임워크를 OLED, 태양전지 등 다른 용액 공정 전자소자 개발에도 확장 적용할 수 있다고 밝혔다. 다만 현 플랫폼은 5종 용매 데이터로 훈련된 만큼 학습 데이터의 다양성이 예측 정확도의 한계를 결정하며, 양자점 합성 조건이나 전하 수송층 등 다른 공정 변수까지 통합 최적화하려면 추가 연구가 필요하다. 해당 연구는 과학기술정보통신부와 한국연구재단의 미래디스플레이 선도기술개발사업 및 나노·소재기술개발사업의 지원을 받았다.