1. 지원 분야 및 직무 역량과 관련된 프로젝트/공모전/논문/연구/학습/활동/경험 등을 작성해 주세요.
[GDL 프로젝트]
[기간] 2025.10 ~ 2026.05
[경험] VACNT(수직정렬 탄소나노튜브) 기반 수소연료전지 GDL(기체확산층) 개발
[역할] GDL 샘플 제작
[박리 공정을 개선해 GDL 시편 제작 수율을 확보하다]
상용 GDL은 박막형 구조상 크랙, 반응가스 전달 불균일, 접촉저항 증가 문제를 안고 있었습니다.
이를 해결하기 위해 수직 정렬성과 나노다공성을 갖춘 VACNT(수직정렬 탄소나노튜브) 기반 GDL을 연구하였습니다.
초기에는 계면 산화 후 면도날로 웨이퍼에서 CNT를 밀어 박리하는 공정이었습니다.
하지만 5 cm² 대면적 시편에서는 중앙부 계면까지 산화가 고르게 도달하지 않아 박리 중 그 부분이 뜯겨나가는 문제가 반복됐습니다.
손상이 시편 전체에 무작위로 나타나는 것이 아니라 유독 중앙부에서 반복된다는 패턴을 발견했고,
이를 통해 원인을 국소적인 산화 불균일로 좁힐 수 있었습니다.
10분간 한 번에 이어지는 계면 산화로는 대면적 중심부까지 균일하게 산화되지 않는다고 판단해,
8분 산화와 냉각을 반복하는 방식으로 공정을 나누었습니다.
챔버 밖으로 꺼내 냉각하는 구간을 두면 대기 중 산소와 접촉이 늘어 중심부까지 산화가 고르게 진행될 것이라고 판단했습니다.
그 결과 대면적 시편도 중앙부까지 고르게 산화되어 손상 없이 안전하게 박리할 수 있었습니다.
이를 통해 세 가지 길이 조건 모두에서 손상 없는 시편을 안정적인 수율로 확보할 수 있었습니다.
이렇게 확보한 시편은 이후 특성평가를 거쳐 300 µm 조건이 성능-내구성의 균형점임을 확인했고,
가속열화시험 후 저하율 4.5%, 상용 GDL 대비 파워밀도 최대 34.2% 향상이라는 결과를 도출했습니다.
[GCPC 프로젝트]
[기간] 2026.02 ~ 2026.08
[경험] 가스크로마토그래피 전처리 농축기(GCPC) 접합 공정 개발
[역할] 웨이퍼 접합 공정 설계
[아웃게싱 문제의 원인을 소재에서 찾고, 대체재 대신 근본 해결로 돌아오다]
가스크로마토그래피 전처리 농축기(GCPC) 개발에서는 SiO₂ 웨이퍼에 TiN 히터를 스퍼터링하고
촉매를 e-beam 증착한 뒤 CNT를 성장시켰습니다.
그 위에 공기가 흐르는 유로가 새겨진 PDMS 몰드를 얹어 접합하는 방식으로 제작했습니다.
완성된 소자를 GC로 측정하는 과정에서 원래 없어야 할 스퓨리어스 피크가 반복적으로 검출됐고,
저는 이 피크가 PDMS 소재 자체에서 비롯된 오염일 가능성을 의심했습니다.
확인 결과 PDMS 경화 후에도 남아있는 D4/D5/D6 계열 고리형 실록산이 미량 아웃게싱되며
GC 측정을 오염시킨다는 것을 알게 됐습니다.
이 문제를 근본적으로 피하기 위해, 아웃게싱이 없는 COC 몰드로 소재를 전환했습니다.
하지만 COC는 표면 에너지가 낮아 별도의 표면처리 없이는 웨이퍼와의 접착력을 충분히 확보하기 어려운 소재였고,
접합 직후 가볍게 눌러보는 것만으로도 쉽게 떨어졌습니다.
소재를 바꾸는 것만으로는 접합 신뢰성과 아웃게싱 문제를 동시에 해결할 수 없다고 판단해,
다시 PDMS로 돌아가는 대신 PDMS 자체의 아웃게싱 원인을 없애는 방향으로 접근을 바꿨습니다.
톨루엔에 침지해 PDMS 표면에 남은 미반응 올리고머를 용매 팽윤(swelling)으로 추출했고,
이 후처리 공정을 도입한 뒤로는 접합 재현성과 GC 측정 신뢰성을 모두 확보할 수 있었습니다.
두 프로젝트를 겪으며 공통적으로 느낀 것은, 문제가 반복될 때는 조건이나 소재를 바꾸는 것으로 넘어가기 전에 그 문제의 원인을 끝까지 따져봐야 한다는 점이었습니다.
GDL에서는 손상이 유독 중앙부에 몰린다는 패턴에서,
GCPC에서는 접합 성공과 실패가 뒤섞이는 불규칙함에서 각각 근본 원인을 찾아낼 수 있었고,
그 원인을 없애는 방향으로 공정을 다시 설계했을 때 비로소 안정적이고 재현 가능한 결과를 얻을 수 있었습니다.
2. AI를 활용한 프로젝트/공모전/논문/연구/문제 해결 경험 등을 작성해 주세요.
[MLP 신경망 프로젝트]
[기간] 2026.05 ~ 2026.06
[경험] 계측공학 기말 프로젝트 — Arduino 마이크(KY-038) FFT 데이터 기반 음정 분류 MLP 신경망 프로젝트
[역할] 데이터 계측 및 전처리, 데이터 품질 진단, 성능 병목 원인 규명
[모델을 키우기 전에 데이터의 신뢰성부터 의심하다]
무작위 노이즈가 섞인 음원을 들려줬을 때도 음정을 정확히 분류할 수 있는지 검증하는 프로젝트였습니다.
저는 Arduino와 마이크(KY-038)로 음정을 녹음해 FFT 변환한 스펙트럼 데이터를 계측하고 전처리하는 과정을 진행했습니다.
이 데이터가 학습·평가 결과에 직접적인 영향을 미치는 만큼 품질 관리에 신경을 썼지만,
초기 483개 샘플로 학습한 모델은 반복 실행할 때마다 정확도가 흔들리며 불안정했습니다.
AI와 함께 엑셀 데이터에서 비정상적인 파형을 자동으로 탐지하고,
정상·이상 파형을 비교 시각화하는 코드를 단계적으로 만들어갔습니다.
그 결과 일부 샘플은 노이즈가 강해 정답 음정에 해당하는 피크 자체가 노이즈에 묻혀 구분되지 않는다는 것을 확인했고,
이 코드를 바탕으로 그런 샘플을 자동으로 걸러내는 필터링 과정을 구축해 483개에서 266개로 줄였습니다.
표본 수는 줄었지만 학습은 오히려 안정됐습니다.
[검증-테스트 정확도 괴리의 근본 원인을 8배 스케일 불일치에서 찾다]
이렇게 첫 단계에서는 노이즈에 정답 피크가 가려진 개별 샘플의 품질 문제를 걸러냈지만,
학습이 안정된 뒤에도 모델이 학습 중 확인한 성능보다 실제 제출용 데이터에서는 낮은 성능을 보이는 문제가 남아 있었습니다.
AI와 함께 학습·평가 데이터의 진폭 분포를 히스토그램으로 시각화해 비교한 결과,
두 데이터셋 간 진폭이 약 8배 차이난다는 근본 원인을 찾아냈습니다.
측정 환경(음량, 마이크 거리, 잡음)이 학습과 평가 사이에 일관되지 않았던 것이 원인이었습니다.
재학습마다 정확도가 요동친다는 것도 확인해, 단일 실행이 아닌 반복 학습의 안정성을 기준으로
평가해야 한다는 것도 알게 됐습니다.
[공초점현미경 계측 실습]
[기간] 2026년 1학기 (반도체계측및검사기술 과목)
[경험] 공초점현미경을 이용한 Cr 패턴 단차 측정 및 데이터 처리
[역할] AI를 통한 MATLAB 기반 이상치 진단 및 필터링
[웨이퍼 표면 계측 데이터의 이상치를 진단하고 보정하다]
Cr 패턴 단차를 측정한 원시 데이터에 돌출 이상치와 기준선 오프셋이 있었습니다.
z축 스캔 화면이 전체 면적에서 동시에 나타나지 않고 우측 하단부터 순차적으로 나타나는 것을 보고,
시료가 기울어져 있다는 것을 의심하게 됐습니다.
이와는 별개로 패턴 모서리에서 레이저가 반사될 때 신호가 불안정하게 튀는 돌출 결함도 관찰됐는데,
시료 기울어짐과는 다른 원인의 이상치였습니다.
두 가지 이상치를 하나의 필터로 해결하기 위해, AI와 함께 이동평균 필터와 중앙값 필터를 각각 적용한 결과를 나란히 비교하는 MATLAB 코드를 만들어 검증했습니다.
그 결과 이동평균 필터는 돌출값을 완화했지만 단차 경계를 흐릿하게 만드는 부작용이 있었고,
중앙값 필터는 사각파 형태의 profile에서 경계를 덜 흐리면서도 이상치를 효과적으로 제거해 채택했습니다.
기준면이 0이 아닌 약 -0.04 µm에서 형성된 원인도 앞서 발견한 시료의 기울어짐으로 진단했고,
4차시 반복 측정으로 전체 평균 단차 0.11494 µm를 신뢰성 있게 산출했습니다.
AI로 두 필터의 결과를 빠르게 비교해본 덕분에, 이상치를 단순히 제거하는 데 그치지 않고 그 원인(시료 기울어짐, 모서리 반사)까지 함께 좁혀갈 수 있었습니다.
SK하이닉스 양산기술 직무에서도 AI로 여러 가설을 빠르게 비교·검증하며 이상 데이터의 원인을 규명하는 방식으로,
정밀도와 측정 속도의 균형까지 고려해 문제를 해결하겠습니다.