초저전력 멀티 마이크로 LED 가스센서 및 딥러닝 기반 선택적 가스 감지 시스템의 개발

Abstract

환경 안전에 대한 세계적 관심이 증가하면서 반도체식 가스센서는 높은 민감도, 빠른 응답 속도, 소형화, 저렴한 제작비용, 균일한 대량 생산의 장점을 가져 환경 사물인터넷의 주력 가스센서로 주목받고 있다. 하지만 반도체식 가스센서는 특정 가스종에 대한 선택적 감지가 어렵다는 단점이 있다. 이를 해결하기 위해 하이브리드 감지소재, 촉매, 필터 등을 활용하는 방식이 연구되었으나 이들은 특정 가스 및 상황에서만 적용 가능하여 활용성이 낮다. 또다른 방법으로는 센서 어레이를 활용한 연구가 있으나, 사용하는 가스센서 수가 늘어날수록 소모전력도 증가하기에 센서의 모바일화에 제약이 있다. 본 연구에서는 마이크로 LED 기반 초저전력의 광원일체형 가스센서 어레이를 제작하고 신경망 학습을 적용하여 초저전력 구동이 가능한 실시간 선택적 가스 감지 시스템 개발을 목표하였다. 근자외선(395 nm) 마이크로 LED를 제작하고, 그 위에 경사입사증착(Glancing Angle Deposition, GLAD)을 통해 산화인듐(In$_2$O$_3$) 감지소재를 집적하여 광원일체형 가스센서를 제작하였다. 금속산화물 표면에 귀금속 나노입자(Ag, Au) 코팅을 통해 국소표면 플라즈몬 공명효과(Localized Surface Plasmon Resonance, LSPR)를 활용하였고 가스 응답도가 향상되었다. 그 결과, 1 μW 수준의 전력으로 0.5 ppm NO$_2$ 가스에 대해 57063.5%의 반응성을 보이는 초저전력, 고민감도의 가스 감지가 가능하였다. 최종적으로 각기 다른 감지소재가 집적된 멀티 마이크로 LED 가스센서로 다양한 타겟가스에 대해 가스 응답 데이터를 수집한 후 심층 신경망 학습을 적용하였고 가스종 분류 정확도 99.5 %, 농도 예측 오차 12.8 %의 실시간, 선택적 가스 감지 시스템을 개발하였다. 멀티 마이크로 LED 가스센서 시스템의 전체 소모전력은 377 μW으로 기존의 전자코 시스템에 비하여 백 분의 일 수준으로 초저전력 구동이 가능하고 향후 환경 사물인터넷용 모바일 센서 개발에 폭넓게 활용될 것으로 기대된다.