Physics-informed AI Accelerated Retention Analysis of Ferroelectric Vertical NAND: From Day-Scale TCAD to Second-Scale Surrogate Model

이 논문은 강유전체 수직 NAND 의 데이터 유지 특성을 분석할 때 기존 TCAD 시뮬레이션의 높은 계산 비용을 극복하기 위해 물리 법칙을 학습 구조에 통합한 PINO 기반 AI 대리 모델을 개발하여, 물리적 정확도를 유지하면서 10,000 배 이상의 속도 향상을 달성했음을 보여줍니다.

핵심

🏠 비유: "거대한 도서관 vs. 마법책"

1. 문제 상황: "10000 권의 책을 하루 종일 읽어야 하는 도서관"

기존에 반도체 회사들이 메모리 칩의 수명 (데이터가 얼마나 오래 유지되는지) 을 설계할 때는 TCAD라는 정밀한 시뮬레이션 도구를 썼습니다.

• 비유: 이는 마치 거대한 도서관에서 모든 책을 하나씩 꼼꼼히 읽어보며 정답을 찾는 것과 같습니다.
• 현실: 메모리 칩의 구조 (두께, 온도, 시간 등) 를 조금만 바꿔도 다시 처음부터 모든 책을 읽어야 합니다. 한 번의 설계 변경에 하루 종일 (24 시간 이상) 걸리고, 최적의 설계를 찾으려면 수천 번을 반복해야 하므로 시간과 비용이 너무 많이 들어 현실적으로 불가능한 경우가 많았습니다.

2. 해결책: "물리 법칙을 배운 마법책 (AI)"

연구팀은 이 문제를 해결하기 위해 **물리 법칙을 학습한 AI(물리 정보 기반 신경 연산자, PINO)**를 개발했습니다.

• 비유: 이 AI 는 도서관의 모든 책을 읽지 않아도, 책의 핵심 원리 (물리 법칙) 만 배우고 나면, 어떤 질문이 들어와도 '순간'에 정답을 찾아내는 마법책과 같습니다.
• 핵심: 단순히 데이터를 외우는 게 아니라, "전하가 어떻게 움직이고, 자석처럼 어떻게 반응하는지"라는 자연의 법칙을 AI 에 심어주었습니다.

3. 작동 원리: "내부 상태를 보는 X-ray"

이 AI 는 단순히 "전압이 얼마냐"만 예측하는 게 아니라, 칩 내부의 **2 차원 지도 (X-ray)**를 그립니다.

• 비유: 칩 내부에서 전하가 어디에 갇혀 있는지, 자화 상태가 어떻게 변하는지 실시간으로 촬영한 사진을 AI 가 그립니다.
• 효과: 이렇게 내부 상태를 먼저 정확히 파악한 뒤, 최종적인 전기 신호 (전류) 를 계산하므로, 실제 실험을 하지 않아도 내부의 미세한 결함까지 정확히 예측할 수 있습니다.

4. 놀라운 결과: "10000 배의 속도 차이"

• 기존 (TCAD): 전체 메모리 수명을 분석하는 데 **60 시간 (약 2.5 일)**이 걸렸습니다.
• 새로운 AI: 같은 분석을 10 초 만에 끝냈습니다.
• 속도 차이: 약 10,000 배 빨라진 것입니다. 이제 설계 엔지니어들은 밤새 기다릴 필요 없이, 커피 한 잔 마시는 사이에 수천 가지 설계안을 테스트해 볼 수 있게 되었습니다.

5. 왜 중요한가요?

기존의 AI 는 데이터를 많이 주면 좋지만, 반도체 데이터는 구하기 너무 비싸고 적습니다. 그래서 AI 가 엉뚱한 엉뚱한 추측을 하기도 했습니다. 하지만 이 연구팀은 물리 법칙을 AI 의 '양심'처럼 심어주어, 데이터가 부족해도 자연의 법칙을 위반하지 않는 정확한 예측을 하도록 만들었습니다.

🚀 요약

이 논문은 **"기존에는 10000 배 느려서 꿈도 못 꾸던 반도체 설계 최적화를, 물리 법칙을 배운 AI 가 10 초 만에 해결해냈다"**는 이야기입니다. 이는 차세대 고밀도 메모리 개발 속도를 획기적으로 높여, 더 빠르고 오래가는 스마트폰과 데이터 센터를 만드는 데 큰 기여를 할 것입니다.

기술 요약

1. 연구 배경 및 문제 정의 (Problem)

• 배경: 고밀도 저장 장치의 수요 증가로 3D 수직 NAND (VNAND) 가 필수적이 되었으나, 기존 전하 트랩 (Charge Trap) 층의 높은 프로그래밍 전압으로 인해 z-스케일링 (수직 적층) 에 한계가 발생하고 있습니다. 이를 극복하기 위해 낮은 구동 전압과 빠른 스위칭 속도를 가진 강유전체 전계 효과 트랜지스터 (FeFET) 기반의 Fe-VNAND가 유망한 대안으로 부상했습니다.
• 핵심 문제: Fe-VNAND 의 신뢰성, 특히 데이터 보유 (Data Retention) 특성이 주요 병목 현상입니다. 이는 강유전체 탈분극 (Depolarization) 과 유전체 계면에서의 전하 탈트랩 (Charge Detrapping) 간의 복잡한 상호작용에 의해 결정됩니다.
• 기존 방법론의 한계: 이러한 메커니즘을 분석하고 최적의 소자 설계를 찾기 위해서는 광범위한 설계 공간 탐색 (DSE) 이 필요합니다. 그러나 전통적인 TCAD (Technology Computer-Aided Design) 시뮬레이션은 물리적으로 정확하지만 계산 비용이 매우 높습니다.
  • 단일 시뮬레이션 (온도 및 시간 스윕) 에 24 시간 이상 소요됨.
  • 다변수 (치수, 온도, 채널 기하학 등) 최적화 시 계산 비용이 선형적으로 증가하여 포괄적인 최적화가 사실상 불가능함.

2. 제안된 방법론 (Methodology)

이 연구는 물리 법칙을 학습 아키텍처에 내장한 물리 정보 신경 연산자 (Physics-Informed Neural Operator, PINO) 기반의 AI 대리 모델 (Surrogate Model) 을 제안합니다.

• 장치 물리 및 데이터 생성:

  • 소자 구조: HZO/TDL/HZO 구조의 강유전체 게이트 스택을 가진 단일 FeFET 를 사용. TDL(터널 유전체 층) 이 전하 차폐 영역으로 작용하여 메모리 창 (Memory Window) 을 확장하는 구조.
  • TCAD 데이터: Synopsys Sentaurus 를 사용하여 강유전체 Preisach 모델과 Fowler-Nordheim (FN) 터널링을 통합. HZO 두께, 온도, 보유 시간을 변수로 하여 120 개의 시뮬레이션 데이터를 생성.
  • 데이터 추출: 게이트 스택 영역의 정전기 퍼텐셜, 분극, 트랩된 전하 밀도 (2D 물리 맵) 와 전체 소자의 전류 밀도를 추출.

• PINO 아키텍처 (NVIDIA PhysicsNeMo 기반):

  • Phase 1 (입력 임베딩): 소자 입력 파라미터 (HZO 두께, 온도, 로그 보유 시간) 를 임베딩.
  • Phase 2 (물리 대리 엔진 - 핵심): **푸리에 신경 연산자 (Fourier Neural Operator, FNO)**를 활용. CNN 과 달리 푸리에 도메인에서 전역 컨볼루션을 수행하여, 스칼라 입력을 해상도 불변의 2D 물리 필드 (정전기 퍼텐셜, 분극, 전하 등) 로 매핑. 이는 블랙박스 모델이 아닌 해석 가능한 디지털 트윈을 구축하는 데 필수적.
  • Phase 3 (전기적 특성 예측): IV-Net (CNN + MLP 하이브리드) 을 사용하여 물리 맵과 원본 스칼라 입력을 결합하여 최종 $I_D-V_G$ 곡선 및 $V_{th}$를 예측.
    • Scalar Context Injection: 온도 변화와 같은 열역학적 맥락을 2D 물리 맵만으로는 포착하기 어렵기 때문에, 스칼라 입력을 MLP 에 직접 주입하여 정확도를 보정.

• 물리 정보 손실 함수 (Physics-Informed Loss):

  • 단순 데이터 손실 ($L_{data}$) 에 물리 법칙을 위반하지 않도록 하는 **물리 손실 ($L_{physics}$)**을 추가하여 학습을 유도.
  • 포아송 잔차 (Poisson Residual): 예측된 전위, 전하 밀도, 분극이 포아송 방정식을 따르도록 제약.
  • 단조성 제약 (Monotonicity Constraints): 보유 시간에 따라 잔류 분극과 트랩 전하가 단조 감소해야 한다는 물리적 사실을 강제하여 비물리적 진동 (Glitch) 을 제거.

3. 주요 기여 (Key Contributions)

1. 초고속 AI 대리 모델 개발: TCAD 대비 **10,000 배 이상 (Day-scale → Second-scale)**의 속도 향상 달성.
2. 물리 법칙 내장 (Physics-Informed): 블랙박스 AI 와 달리, 물리 법칙 (Poisson 방정식, 단조성) 을 손실 함수에 명시적으로 포함시켜 물리적 정확도와 일반화 성능을 확보.
3. 해석 가능한 2D 물리 맵 예측: 단순히 전기적 특성 ($I_D-V_G$) 만 예측하는 것이 아니라, 소자 내부의 **2D 공간 물리 분포 (전위, 전하, 분극 등)**를 직접 예측하여 신뢰성 저하 메커니즘을 시각화하고 검증 가능하게 함.
4. 희소 데이터에서의 일반화: 제한된 TCAD 데이터 (120 개) 로 학습되었음에도, 보지 못한 온도 및 시간 구간에서 물리적으로 일관된 예측 수행.

4. 실험 결과 (Results)

• 물리 맵 재구성 정확도: TCAD 기준 데이터와 비교하여 정전기 퍼텐셜, 트랩 전하, 전류 밀도 등 2D 물리 프로파일의 상대 오차가 약 0.1% 수준으로 매우 높음.
• 전기적 특성 예측 ($V_{th}$):
  • $I_D=100nA$ 기준 문턱전압 ($V_{th}$) 예측의 $R^2$ 값이 0.998 이상.
  • $10^4$초까지의 보유 손실 ($\Delta V_{th}$) 을 TCAD 와 일치하게 정확히 예측.
  • **보지 못한 온도 (Unseen Temperature, 예: 350K)**에서도 300K 와 400K 사이의 물리적 거동을 자연스럽게 보간 (Interpolation) 하여 예측.
• 물리 정보의 효과:
  • 순수 데이터 기반 모델 (FNO) 은 희소 데이터 과적합으로 인해 $I_D-V_G$ 곡선에 비물리적 요동 (Ripple) 이 발생함.
  • PINO 모델은 물리 손실 제약으로 인해 매끄러운 곡선을 예측하며, 전체 RMSE 를 40% 이상 개선.
• 계산 효율성:
  • TCAD 전체 스윕 (60 시간) 을 AI 는 약 10 초에 완료.
  • 설계 공간 탐색 (DSE) 을 이산적 점 탐색에서 연속적 (Mesh-free) 탐색으로 전환 가능.

5. 의의 및 결론 (Significance)

이 연구는 강유전체 3D NAND 의 데이터 보유 신뢰성 분석을 위해 물리 기반 AI를 성공적으로 적용한 사례입니다.

• 실시간 설계 최적화: 기존에는 불가능했던 광범위한 설계 공간 탐색을 실시간 (Second-scale) 으로 가능하게 하여, Fe-VNAND 의 게이트 스택 및 구조 최적화 속도를 획기적으로 단축.
• 신뢰성 메커니즘 규명: AI 가 예측한 내부 물리 맵을 통해 전하 탈트랩과 탈분극의 상호작용을 정량적으로 분석할 수 있는 기반을 마련.
• 확장성: 단일 FeFET 에서 검증된 이 프레임워크는 향후 전체 3D Fe-VNAND 구조의 신뢰성 저하 메커니즘을 탐색하고 차세대 메모리 소자를 개발하는 데 핵심적인 도구로 활용될 것으로 기대됩니다.