AI-assisted Human-in-the-Loop Web Platform for Structural Characterization in Hard Drive Design

Motivation

• Known: STEM/TEM은 반도체 재료 계측의 핵심 도구이며, 다층 구조의 나노스케일 분석에 사용된다. 수동 분석은 느리고 주관적인 반면, 완전 자동화는 샘플 변동성에 취약하다. 최근 AI와 자동 영상 분석 기술이 발전했으나 웹 접근성과 유연성이 부족하다.
• Gap: 기존 솔루션들(CrysTBox 등)은 강력한 자동 분석을 제공하지만 웹 접근성이 부족하고, 대중적 segmentation 모델은 노이즈 같은 엣지 케이스에서 견고성이 낮다. 프로그래밍 경험이 없는 연구자를 위한 사용자 친화적 도구가 필요하다.
• Why: HDD 및 HAMR 기술에서 다층 박막의 정확한 계측은 나노미터급 편차가 성능(coercivity, transition noise, areal density)에 직접 영향을 미치므로 중요하다. 확장 가능하고 표준화된 계측 워크플로가 제조 최적화와 신뢰성 보장에 필수적이다.
• Approach: Flask 기반 웹 애플리케이션으로 구현되며, Python 백엔드는 HyperSpy(EMD 파일 처리), SciPy(신호 처리), OpenCV(영상 처리)를 활용한다. Human-in-the-loop 아키텍처에서 intensity normalization, Gaussian smoothing, gradient-based interface detection, adaptive peak identification을 순차 적용하여 대조도 변동에 견고성을 확보한다.

Achievement

• 나노미터급 정확도 달성: 캘리브레이션 가능 시 두께 추정에서 nm 수준 정확도

• 다중 계면 거칠기 정량화: Ra, Rq, peak-to-valley 등 여러 roughness 메트릭 계산

• 대화형 인터페이스: 사용자가 자동 검출(cyan) 계면을 수정(red) 가능하며 .emd 메타데이터 자동 파싱

• 재사용 가능 워크플로: 500 MB 파일까지 처리, Excel 내보내기 기능으로 확장성 제공

• 웹 기반 접근성: 소프트웨어 설치 없이 보편적 접근성 확보

How

• Gradient-based 픽셀 강도 분석으로 계면 위치 자동 검출

• Percentile threshold와 distance constraint로 노이즈 및 거짓 피크 제거

• 인접 계면 간 거리를 픽셀 크기로 변환하여 물리적 두께 계산

• 기하학적 추적(geometric tracking)으로 각 계층의 roughness 통계 산출

• 사용자 수정 사항을 실시간으로 반영하여 최종 metrics 재계산

Originality

• Human-in-the-loop 아키텍처: 기존 full-automation 대신 설계 단계 인간 개입 + 자동 실행 결합

• 웹 기반 구현: 전문화된 소프트웨어 설치 대신 보편적 웹 접근성 제공

• 대화형 수정 모듈: 자동 검출과 수동 수정을 시각적으로 구분(cyan vs. red) 표현

• 모듈식 재사용성: 특정 HDD 응용에서 일반화된 다층 구조 계측 프레임워크로 설계

Limitation & Further Study

• 자동 인터페이스 검출의 견고성이 극단적 노이즈(detector noise) 조건에서 검증되지 않음

• 다양한 대조도·계면 형태의 샘플에 대한 광범위 검증 데이터 부족

• 합성 세부 정보 미공개로 재현성 제한

• Supplementary material의 상세 알고리즘 설명이 본문에 제시되지 않음

• 대규모 데이터셋에서의 처리 속도 및 정확도 한계에 대한 논의 부재

후속 연구: 다양한 소재(optical coatings, composite materials)에서의 일반화 성능 평가, deep learning 기반 edge detection 통합, batch processing 및 throughput 개선, 사용자 피드백 기반 알고리즘 최적화

Evaluation

총평: 다층 박막 계측에서 자동화와 유연성의 균형을 이루는 실용적이고 창의적인 솔루션을 제시하며, 웹 기반 구현과 human-in-the-loop 아키텍처는 반도체 산업의 실제 워크플로 요구사항을 잘 반영한다. 다만 광범위한 샘플 검증과 알고리즘 견고성 평가가 보강되면 더욱 강력한 기여가 될 것이다.