🔬 applied physics

Deep Learning to Automate Parameter Extraction and Model Fitting of Two-Dimensional Transistors

이 논문은 사전 학습된 신경망을 활용하여 물리 기반 시뮬레이터를 근사함으로써, 이전 방법들보다 현저히 적은 훈련 샘플로도 높은 정확도를 달est성하며 2차원 트랜지스터의 물리적 파라미터 추출 및 모델 피팅을 자동화하는 딥러닝 프레임워크를 제시한다.

원저자: Robert K. A. Bennett, Jan-Lucas Uslu, Harmon F. Gault, Asir Intisar Khan, Lauren Hoang, Tara Peña, Kathryn Neilson, Young Suh Song, Zhepeng Zhang, Andrew J. Mannix, Eric Pop

게시일 2026-09-09

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Robert K. A. Bennett, Jan-Lucas Uslu, Harmon F. Gault, Asir Intisar Khan, Lauren Hoang, Tara Peña, Kathryn Neilson, Young Suh Song, Zhepeng Zhang, Andrew J. Mannix, Eric Pop

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

현대 전자 공학의 세계에서, 우리 기기들에 동력을 공급하는 미세한 트랜지스터를 이해하는 일은 점점 더 어려워지고 있습니다. 과학자들은 전통적인 실리콘을 넘어, 단 한 층의 원자 두께만을 가진 초박형 원자 시트와 같은 새로운 재료를 탐구하고 있습니다. 이러한 2차원 물질들은 더 빠르고 효율적인 전자 공학을 위한 큰 가능성을 품고 있지만, 예측하기 어려운 복잡한 방식으로 작동합니다. 이 새로운 재료들을 실제로 작동시키기 위해, 연구자들은 전기가 이들을 통해 어떻게 흐르는지 측정해야 하며, 그 후 전자가 얼마나 쉽게 이동하는지 또는 금속과 재료가 만나는 지점의 에너지 장벽이 얼마나 높은지와 같은 내부의 숨겨진 물리적 특성을 알아내기 위해 역으로 추적해야 합니다. 이 역추적 과정은 더 나은 소자를 설계하는 데 필수적이지만, 전통적으로는 전문가가 직접 추측하고 확인하는 과정을 거쳐야 하는 느리고 수동적인 작업이었으며, 단 하나의 정답을 얻기 위해 몇 시간 또는 며칠이 걸리기도 했습니다.

스탠퍼드 대학교의 연구팀은 인공지능을 사용하여 이 과정을 획기적으로 가속화하는 새로운 방법을 개발했습니다. 컴퓨터에게 정답을 추측하라고 요청하는 대신, 그들은 디지털 시스템이 트랜지스터의 전기적 측정값과 물리적 특성 사이의 관계를 학습하도록 훈련시켰습니다. 문제는 이 시스템을 교육하기 위해 필요한 컴퓨터 시뮬레이션이 매우 느리고 비용이 많이 든다는 점이었는데, 단 하나의 데이터 포인트를 생성하는 데에도 몇 분 또는 몇 시간이 걸릴 수 있기 때문입니다. 이를 해결하기 위해 연구진은 영리한 2단계 훈련 시스템을 만들었습니다. 먼저, 느리고 복잡한 물리 시뮬레이터를 흉내 내는 빠르고 단순한 신경망을 훈련시켰습니다. 연구진은 이 빠른 모사체를 사용하여 방대한 양의 연습 데이터를 무료로 생성했습니다. 그런 다음, 이 연습 데이터를 사용하여 메인 시스템이 작동하는 방식을 가르쳤으며, 마지막으로 소수의 실제 시뮬레이션을 통해 이를 미세 조정했습니다.

그 결과, 이 시스템은 트랜지스터의 숨겨된 물리적 파라미터를 단 1초도 안 되는 짧은 시간에 추출해 낼 수 있게 되었습니다. 연구진은 이 네트워크를 훈련시키기 위해 500개의 시뮬레이션된 소자 세트를 사용했습니다. 훈련을 마친 시스템은 실제 트랜지스터의 전기적 측정값을 보고 8가지 서로 다른 물리적 특성 값을 즉각적으로 정확하게 예측할 수 있었습니다. 연구진이 이 방법을 이황화 텅스텐(tungsten disulfide)이라는 재료로 만들어진 실제 실험용 트랜지스터에 적용했을 때, 시스템은 장치의 동작을 성공적으로 역설계했으며, 측정된 데이터와 거의 완벽하게 일치하는 정밀도를 보여주었습니다. 연구진은 시스템이 물질을 통과하는 전자의 속도와 접합부의 에너지 장벽 높이를 결정할 수 있음을 발견했으며, 이를 통해 다른 방식으로는 찾아내기 어려웠던 개별 소자 간의 차이를 밝혀냈습니다.

이 접근 방식은 계산에 필요한 전력량을 획기적으로 줄여준다는 점에서 특히 강력합니다. 이전 방식들은 유사한 결과를 얻기 위해 수만 개 또는 수백만 개의 시뮬레이션된 소자로부터 얻은 데이터가 필요했습니다. 하지만 연구진은 빠른 모사체를 사용하여 시스템을 사전 훈련함으로써, 단 500개의 소자 데이터만으로도 우수한 결과를 달anim했습니다. 이는 40배 이상의 감소를 의미합니다. 덕분에 훈련에 사용하기에는 너무 느린, 가장 엄격하고 정확한 물리 모델들을 사용하는 것이 가능해졌습니다. 또한 이 방법은 유연함이 입증되었습니다. 연구진은 이 시스템이 최대 35개의 서로 다른 미지 파라미터를 가진 훨씬 더 복잡한 트랜지스터까지 처리할 수 있도록 확장 가능하다는 것을 보여주었으며, 이는 테스트된 특정 재료를 넘어 다양한 전자 부품에 적용될 수 있음을 시사합니다.

연구진은 훈련된 시스템을 세 개의 칩 위에 제작된 51개의 실제 트랜지스터에 적용하여 그 성과를 검증했습니다. 시스템은 이 장치들의 전기적 곡선을 성공적으로 일치시켰으며, 이를 통해 팀은 칩 전체에 걸친 이동도(mobility)와 접합 장벽(contact barriers)의 분포를 지도화할 수 있었습니다. 이러한 수준의 세부 정보는 제조 과정이 최종 제품에 어떤 영향을 미치는지, 예를 들어 금속 접점이 반도체와 어떻게 상호작용하는지를 이해하는 데 도움을 줍니다. 시스템이 전기적 곡선을 맞추는 데 매우 정확하지만, 저자들은 완벽한 일치가 모든 추출된 숫자의 물리적 완벽함을 보장하는 것은 아니라고 언급했습니다. 왜냐하면 서로 다른 특성의 조합이 때때로 유사한 전기적 결과를 만들어낼 수 있기 때문입니다. 그러나 대규모 장치 집단을 특성화하고 성능 한계를 이해하는 목적에 있어서, 이 방법은 견고하고 신속한 도구를 제공합니다.

연구진은 자신들의 코드와 데이터를 공개함으로써 이 기술의 추가적인 발전을 독려하고자 합니다. 이 작업은 수동적이고 시간이 많이 걸리는 분석에서 자동화된 고처리량(high-throughput) 접근 방식으로의 전환을 의미합니다. 이를 통해 과학자들은 곡선을 맞추는 지루한 작업보다는, 그 곡선이 제공하는 물리적 통찰력을 해석하는 데 더 집중할 수 있습니다. 2차원 전자 공학 분야가 계속 성장함에 따라, 이와 같은 도구들은 실험적 발견을 신뢰할 수 있는 고성능 기술로 전환하는 데 필수적일 것입니다. 이 작은 장치들의 내부 작동 원리를 빠르고 정확하게 이해하는 능력은 차세대 전자 제품을 현실로 구현하기 위한 중요한 단계입니다.

기술 요약: 2차원 트랜지스터의 파라미터 추출 및 모델 피팅 자동화를 위한 딥러닝

문제 정의
2차원(2D) 전이 금속 디칼코게나이드(TMD)와 같은 신흥 반도체 기술은 물리적 파라미터(예: 이동도, 쇼트키 장벽 높이, 결함 프로파일)를 전기적 측정으로부터 추출하기 위해 엄격한 특성 분석을 필요로 한다. 전통적으로 이는 측정된 전류-전압( $I_d$ - $V_{gs}$ ) 특성을 물리 기반 모델에 피팅함으로써 수행된다. 그러나 이 과정은 반복적이고 시간이 많이 소요되며, 전문가가 아닌 사람들에게는 접근성이 낮다. 최근의 딥러닝 접근 방식들이 이러한 역문제(inverse problem)를 자동화하고 있지만, 일반적으로 20,000개에서 1,000,000개의 고유한 소자로 구성된 학습 세트를 요구한다. 물리 기반 시뮬레이터(예: Sentaurus Device, 양자 수송 솔버)를 사용하는 계산 비용이 높은 모델링이 필요한 신흥 기술의 경우, 단일 시뮬레이션에 몇 분에서 몇 시간이 걸릴 수 있으므로 이와 같이 대규모 데이터셋을 생성하는 것은 실행 불가능한 경우가 많다.

방법론
저자들은 "서로게이트(surrogate)" 사전 학습 전략을 채택하여 물리 기반 시뮬레이션에 필요한 비용을 획기적으로 줄이는 딥러닝 프레임워크를 제안한다. 워크플로우는 다섯 가지 주요 단계로 구성된다:

물리 기반 데이터 생성: 2D 전계효과 트랜지스터(FET)를 위해 종합적인 물리 기반 시뮬레이터(Sentaurus Device)를 사용하여 소규모의 초기 데이터셋을 생성한다. 이 데이터셋은 입력 모델 파라미터(이동도, 장벽 높이, 결함 프로파일을 포함한 8개 파라미터)를 출력 $I_d$ - $V_{gs}$ 곡선으로 매핑한다.
순방향 서로게이트 학습: 순방향 신경망을 훈련시켜 물리 기반 시뮬레이터를 근사하도록 한다. 이 네트워크는 입력 파라미터 세트가 주어졌을 때 $I_d$ - $V_{gs}$ 곡선을 예측하는 법을 학습한다.
증강된 사전 학습: 훈련된 순방향 네트워크를 사용하여 무작위 파라미터를 샘플링함으로써 대규모의 계산 비용이 적게 드는 증강된 데이터셋(예: 100,000개의 곡선)을 생성한다. 이후 이 증강된 데이터에 대해 역방향 신경망을 사전 학습시킨다.
탠덤 미세 조정(Tandem Fine-Tuning): 역방향 네트워크를 원래의 소규모 물리 기반 시뮬레이션 세트를 사용하여 미세 조정한다. 결정적으로, 이 훈련은 탠덤 신경망(tandem neural network) 접근 방식을 활용한다: 역방향 네트워크가 예측한 파라미터가 다시 순방향 네트워크로 입력되어 결과 전류를 추정한다. 손실 함수는 예측된 파라미터의 오차와 재구성된 전류의 오차( $I_{pred}$ 대 $I_{actual}$ )를 모두 처벌하며, 이를 통해 여러 파라미터 세트가 유사한 곡선을 생성할 수 있는 역문제의 비고유성(non-uniqueness) 문제를 해결한다.
추론: 일단 훈련되면, 역방향 네트워크는 추가적인 물리 기반 시뮬레이션 없이 실험적인 $I_d$ - $V_{gs}$ 데이터를 기저의 물리적 파라미터로 직접 매핑한다.

주요 기여

데이터 효율성: 이 방법은 이전의 딥러닝 연구들이 수만 개 또는 수십만 개의 소자를 필요로 했던 것과 비교하여, 약 500개의 소자만을 사용한 학습 세트로도 고품질의 피팅을 달데 achieve한다(40배 이상의 감소).
물리적 엄밀성을 갖춘 훈련: 컴팩트 모델에 국한된 방법들과 달리, 이 접근 방식은 기하학적 구조, 수송 및 정전기적 효과를 포함하는 복잡하고 자기 일관적인 물리 기반 모델(TCAD)을 계산 비용의 과다 지출 없이 훈련할 수 있게 한다.
일반화 가능성: 본 프레임워크는 더 복잡한 모델로 확장될 수 있음을 입증하였으며, ASM-HEMT 컴팩트 모델을 사용하여 갈륨 질화물(GaN) 고전자 이동도 트랜지스터(HEMT)의 35개 파라미터를 성공적으로 역설계하였다.
오픈 사이언스: 저자들은 향후 역 트랜지스터 설계 연구를 촉진하기 위해 코드와 샘플 데이터셋을 GitHub에 공개하였다.

결과

시뮬레이션 및 실험 성능: Sentaurus Device로 시뮬레이션된 1,000개의 미학습(unseen) 소자 세트에 대해 테스트했을 때, 이 접근 방식은 0.995의 중앙 결정 계수( $R^2$ )를 달성했다. 51개의 단층 $WS_2$ 트랜지스터 실험 데이터 세트에 대해서는 0.990의 중앙 $R^2$ 를 달성했다. 사전 학습 단계는 물리 기반 학습 세트의 크기를 두 배로 늘린 것과 맞먹는 정확도 향상을 제공함을 보여주었다.
파라미터 추출 정확도: 주요 파라미터의 중앙 절대 오차는 매우 낮았다: 이동도는 0.88 $cm^2 V^{-1} s^{-1}$ , 쇼트키 장벽 높이는 18.4 meV였다. 결함 밀도 파라미터의 경우 모델 내 상호 중복성으로 인해 오차가 약간 더 높았으나, 전반적인 $I_d$ - $V_{gs}$ 피팅은 매우 우수했다.
실험적 검증: 이 방법은 51개의 실험적 단층 $WS_2$ 트랜지스터에 적용되었다. 역설계된 파라미터가 생성한 시뮬레이션 곡선은 실험 데이터와 밀접하게 일치하였으며, 중앙 $R^2$ 는 0.990이었다. 추출된 이동도와 장벽 높이의 분포는 기대되는 실험적 변동과 질적으로 일치했다.
확장성: 이 접근 방식은 고차원 문제도 성공적으로 처리하였으며, 약 16,000개의 소자 학습 세트를 사용하여 GaN HEMT의 35개 파라미터를 피팅함으로써 모델의 복잡성에 따라 방법이 확장될 수 있음을 입증했다.

의의 및 주장
본 논문은 이 접근 방식이 물리 기반 시뮬레이션을 통한 대규모 데이터 생성이 기존의 병목 구간이었던 신흥 기술 분야에서 자동화된 파라미터 추출을 가능하게 한다고 주장한다. 훈련에 소요되는 시간을 며칠 또는 몇 주에서 한 시간 미만으로 단축함으로써, 이 방법은 복잡하고 물리적으로 정확한 모델을 소자 특성 분석 및 기술 컴퓨터 보조 설계(TCAD) 피팅에 사용할 수 있게 한다.

저자들은 이 방법이 피팅 과정을 자동화하지만, 올바른 물리 모델을 자동으로 선택해 주는 것은 아니라는 점을 강조한다. 즉, 사용자는 여전히 기저의 물리 기반 모델이 해당 소자에 적합한지 확인해야 한다. 또한, 이 방법이 대규모 소자 분포(예: 수율 분석 또는 공정 모니터링)를 특성화하는 데는 매우 효율적이지만, 단일 소자를 피팅하는 데 있어서는 전통적인 최적화 방법이 여전히 계산적으로 더 저렴할 수 있다고 언급한다. 이 연구는 딥러닝을 차세대 전자 공학의 복잡한 물리적 시뮬레이션과 실험 데이터 분석 사이의 간극을 메우는 실질적인 도구로 자리매김한다.

유사한 논문