Gen-Fab: A Variation-Aware Generative Model for Predicting Fabrication Variations in Nanophotonic Devices

이 논문은 나노포토닉 소자의 제조 공정에서 발생하는 비균일한 변형을 예측하고 불확실성을 모델링하기 위해, 설계 레이아웃을 입력받아 다양한 고해상도 제조 결과를 생성하는 조건부 생성적 적대 신경망 (cGAN) 기반의 'Gen-Fab'을 제안하고, 기존 방법들보다 우수한 정확도와 일반화 성능을 입증했습니다.

핵심

이 논문은 **"Gen-Fab"**이라는 이름의 새로운 인공지능 기술을 소개합니다. 이 기술은 나노 광학 소자 (실리콘 칩에 빛을 다루는 장치) 를 만들 때 발생하는 '예상치 못한 오차'를 예측하고 시뮬레이션하는 역할을 합니다.

이 복잡한 내용을 일상적인 비유로 쉽게 설명해 드릴게요.

1. 문제 상황: "완벽한 설계도 vs. 현실의 불완전한 제품"

상상해 보세요. 여러분이 아주 정교한 초미세 레고를 설계도 (GDS 파일) 대로 조립한다고 칩시다. 설계도에는 모든 각도가 90 도이고 선이 아주 날카롭다고 그려져 있습니다.

하지만 실제 공장에서 이 레고를 조립할 때는 다음과 같은 일이 일어납니다.

• 과도한 깎기 (Over-etching): 조각칼이 너무 깊게 들어간 모서리가 둥글게 변합니다.
• 덜 깎기 (Under-etching): 일부는 원래보다 더 두껍게 남습니다.
• 모서리 둥글어짐: 날카로운 모서리가 살짝 둥글어집니다.

이런 미세한 오차들은 반도체 공정에서 피할 수 없는 '현실'입니다. 문제는 이 오차가 매번 조금씩 다르게 발생한다는 점입니다. 같은 설계도로 100 개를 만들어도, 100 개의 제품이 모두 약간씩 다른 모양을 가집니다.

기존의 컴퓨터 프로그램들은 "이 설계도를 만들면 이렇게 될 것이다"라고 단 하나의 정답만 예측했습니다. 하지만 현실은 "이렇게 될 수도 있고, 저렇게 될 수도 있어"라는 확률의 세계입니다.

2. 해결책: "Gen-Fab"이라는 창의적인 예술가

이 논문에서 제안한 Gen-Fab은 이 문제를 해결하기 위해 등장한 창의적인 예술가입니다.

• 기존 방식 (U-Net): 마치 복사기처럼 작동합니다. 설계도를 넣으면 가장 평균적인 결과물 하나만 출력합니다. "모든 제품이 똑같을 거야"라고 믿게 하지만, 현실은 다릅니다.
• Gen-Fab (새로운 방식): 마치 재미있는 요리사처럼 작동합니다. 같은 재료 (설계도) 를 주면, "오늘은 약간 더 굽고, 내일은 약간 더 잘게 썰어볼까?"라며 **매번 조금씩 다른 100 가지의 요리 (결과물)**를 만들어냅니다.

핵심 비유: "주사위"를 던지는 요리사
Gen-Fab 은 설계도를 보고 요리를 할 때, **주사위 (Latent Noise Vector)**를 하나 던집니다.

• 주사위 눈이 1 이 나오면: 모서리가 아주 둥글게 나옵니다.
• 주사위 눈이 6 이 나오면: 모서리가 살짝 찌그러집니다.
  이렇게 주사위를 던질 때마다 다른 결과물을 만들어내므로, 실제 공장에서 일어날 수 있는 모든 '우연한 오차'를 미리 경험해 볼 수 있는 것입니다.

3. 왜 이것이 중요한가요? (디지털 트윈의 역할)

이 기술은 **'디지털 트윈 (Digital Twin)'**이라고 불리는 가상 공장 시뮬레이션의 핵심이 됩니다.

• 과거: 설계도를 만들고, 실제 공장에서 100 개를 만들어서 실패한 것을 확인한 뒤, 다시 설계도를 고쳤습니다. (시간과 돈 낭비)
• Gen-Fab 이후: 설계도를 Gen-Fab 에 넣으면, **"이 설계도로 만들면 100 개 중 10 개는 망가질 확률이 높아"**라고 알려줍니다.
  • "아, 이 부분은 너무 가늘어서 공정 오차가 생기면 끊어지겠구나. 조금 더 두껍게 설계해야지."
  • 이렇게 실제 생산 전에 가상으로 실패를 미리 겪어보고 튼튼한 설계를 할 수 있게 됩니다.

4. 실험 결과: 다른 방법들보다 훨씬 뛰어납니다

연구팀은 Gen-Fab 을 세 가지 다른 방법과 비교했습니다.

1. 단순 복사기 (U-Net): 하나의 결과만 내줌.
2. 무작위 실수 시뮬레이션 (MC-Dropout): 모델을 일부러 흐리게 해서 다양한 결과를 내보냄. (하지만 실제 공정 오차와 비슷하지 않음)
3. 여러 명의 요리사 (Ensemble): 모델을 여러 개 만들어서 결과를 합침. (비용이 많이 듦)

결과:
Gen-Fab 은 가장 현실적인 결과를 만들어냈습니다. 실제 공장에서 찍은 사진 (SEM 이미지) 과 비교했을 때, 모양의 일치도 (IoU 점수) 가 **89.8%**로 가장 높았습니다. 다른 방법들은 85% 대에 머물렀습니다.

5. 결론: "불확실성을 즐기는 AI"

이 논문이 말하고자 하는 핵심은 **"완벽한 예측은 불가능하지만, 불확실성을 예측하는 것은 가능하다"**는 것입니다.

Gen-Fab 은 단순히 "이게 정답이다"라고 말하지 않습니다. 대신 **"이 설계도로 만들면 이런저런 모양이 나올 수 있어. 이 중에서 최악의 경우를 대비해서 설계하자"**라고 조언합니다.

이는 마치 날씨 예보와 같습니다.

• 과거: "내일은 비가 안 올 것이다." (단정적)
• Gen-Fab: "내일은 비가 올 확률이 30%, 안 올 확률이 70% 이고, 만약 비가 오면 이 정도 강도로 올 수 있어." (확률적, 현실적)

이 기술을 통해 나노 광학 소자를 만드는 연구자들은 더 튼튼하고 실패 확률이 낮은 칩을 설계할 수 있게 되며, 이는 더 빠르고 효율적인 데이터 센터, LiDAR, 양자 컴퓨터 등의 발전으로 이어질 것입니다.

기술 요약

1. 연구 배경 및 문제 정의 (Problem)

• 배경: 실리콘 포토닉스 (Silicon Photonics) 는 데이터 센터, LiDAR, 양자 광학 등 다양한 분야에서 중요한 플랫폼으로 부상하고 있습니다. 그러나 이러한 나노 광학 소자는 리소그래피, 식각, 증착 등 제조 공정 중 발생하는 **과식각 (over-etching), 과소식각 (under-etching), 모서리 둥글기 (corner rounding)**와 같은 제조 유발 변형 (Fabrication-induced variations) 에 매우 민감합니다.
• 문제점:
  • 이러한 변형은 공간적으로 불균일하며, 특징의 크기와 모양에 따라 달라집니다.
  • 기존 통계적 '코너 분석 (corner analysis)'이나 전통적인 설계 규칙은 공간 해상도가 부족하고 실제 공정의 복잡한 확률적 (stochastic) 특성을 포착하지 못합니다.
  • 동일한 GDS(설계 레이아웃) 파일로 반복 제조하더라도 스캐닝 전자 현미경 (SEM) 이미지에는 눈에 띄는 차이가 발생하며, 이는 소자 성능 저하의 주요 원인입니다.
  • 기존 딥러닝 기반 접근법 (예: U-Net) 은 결정론적 (deterministic) 모델로, 하나의 입력에 대해 단일 예측값만 출력하여 실제 제조 공정의 분포적 퍼짐 (distributional spread) 을 반영하지 못합니다.

2. 제안 방법론: Gen-Fab (Methodology)

저자들은 제조 공정의 불확실성을 모델링하고 다양한 제조 결과를 예측하기 위해 Gen-Fab이라는 조건부 생성 적대 신경망 (cGAN) 을 제안했습니다.

• 기본 아키텍처: Pix2Pix 기반의 조건부 GAN 을 확장하여 사용했습니다.
• 핵심 혁신 (Noise Injection):
  • 기존 Pix2Pix 는 결정론적 변환에 그치지만, Gen-Fab 은 생성기 (Generator) 의 병목 (bottleneck) 레이어에 **잠재 노이즈 벡터 (latent noise vector, $z$)**를 주입합니다.
  • 이를 통해 단일 GDS 입력 ($X$) 에 대해 다양한 잠재 노이즈 $z$를 샘플링함으로써, 하나의 입력에서 여러 개의 현실적인 SEM 이미지 ($Y$) 를 생성하는 1 대 다 (one-to-many) 매핑이 가능해집니다.
• 모델 구성:
  • 생성기 (Generator): U-Net 아키텍처를 따르며, 입력 레이아웃과 노이즈 벡터를 결합하여 다양한 SEM 예측 이미지를 생성합니다.
  • 판별기 (Discriminator): PatchGAN 아키텍처를 사용하여 전체 이미지 대신 70x70 픽셀 패치를 평가하여 생성된 이미지의 국소적 사실성을 판단합니다.
• 학습 목표:
  • 적대적 손실 (Adversarial Loss): 생성된 이미지가 실제 SEM 이미지와 구별되지 않도록 학습.
  • L1 재구성 손실 (Reconstruction Loss): 생성된 이미지가 실제 SEM 의 구조적 특징을 정확히 따르도록 학습 (가중치 $\lambda=100$).
  • 이 두 가지 손실을 균형 있게 최적화하여 구조적 정밀도와 확률적 다양성을 동시에 확보합니다.

3. 주요 기여 (Key Contributions)

1. 불확실성 인식 생성 모델 (Variation-Aware Generative Model): 나노 포토닉스 제조 공정의 확률적 특성을 모델링하여, 단일 설계 레이아웃에서 실제 제조와 유사한 분포를 가진 다양한 SEM 이미지를 생성하는 최초의 cGAN 기반 프레임워크를 제시했습니다.
2. 디지털 트윈 (Digital Twin) 구현: 물리적 제조 공정을 가상으로 복제하는 '생성형 디지털 트윈'의 핵심 기능을 제공하며, 설계 단계에서 제조 편차를 예측하고 불확실성을 정량화할 수 있게 합니다.
3. 강력한 베이스라인 비교: 결정론적 U-Net, 추론 시 몬테카를로 드롭아웃 (MC-Dropout) U-Net, 앙상블 U-Net 등 기존 불확실성 모델링 기법들과의 광범위한 비교를 통해 Gen-Fab 의 우수성을 입증했습니다.
4. OOD(Out-of-Distribution) 일반화 검증: 훈련 데이터와 다른 새로운 기하학적 구조 (Cross, Square, Target 등) 에 대한 테스트를 통해 모델이 보지 못한 설계에도 강력하게 일반화됨을 확인했습니다.

4. 실험 결과 (Results)

연구진은 ANT-NanoSOI 데이터셋을 사용하여 6 가지 유형의 테스트 구조 (Cross-25/50/100, Square, Target-50/100) 에 대해 모델을 평가했습니다.

• 정확도 (IoU):
  • Gen-Fab 은 Greedy 매칭 기준 평균 **89.8%**의 IoU 점수를 기록하여, 결정론적 U-Net (85.3%), MC-Dropout U-Net (83.4%), Varying U-Nets (85.8%) 을 모두 압도했습니다.
  • 특히 Random 매칭에서도 88.7% 의 높은 점수를 기록하여, 생성된 샘플들이 실제 데이터 분포와 매우 잘 일치함을 보여줍니다.
• 분포 일치도 (Distributional Fidelity):
  • **KL-Divergence (KL-D)**와 Wasserstein Distance (W-D) 지표에서 Gen-Fab 은 모든 구조에서 가장 낮은 값을 기록했습니다. 이는 Gen-Fab 이 생성한 이미지 분포가 실제 제조된 SEM 이미지 분포와 가장 유사함을 의미합니다.
  • 반면, MC-Dropout U-Net 은 모델의 불확실성 (Epistemic uncertainty) 만을 반영할 뿐, 실제 데이터의 변동성 (Aleatoric uncertainty) 을 제대로 포착하지 못해 높은 오차를 보였습니다.
• 정성적 평가:
  • Gen-Fab 은 실제 SEM 에서 관찰되는 모서리 거칠기, 비대칭성, 패턴 변형 등을 잘 재현하는 반면, 기존 U-Net 은 너무 매끄럽고 대칭적인 결과를 생성했습니다.
  • 분산 (Variance) 맵 분석을 통해 Gen-Fab 이 실제 제조 변이가 발생하는 가장자리 (edges) 에서의 변동성을 가장 정확하게 모방함을 확인했습니다.

5. 의의 및 결론 (Significance)

• 설계 - 제조 간극 해소: Gen-Fab 은 이상적인 설계 (GDS) 와 실제 제조 결과 (SEM) 사이의 간극을 데이터 기반으로 연결하여, 제조 공정을 고려한 강건한 (Robust) 포토닉스 설계를 가능하게 합니다.
• 가상 실험 및 수율 예측: 실제 제조 전에 다양한 공정 변이를 시뮬레이션하여 소자 수율 (Yield) 을 예측하고, 공정 편차에 민감한 설계 오류를 사전에 발견할 수 있습니다.
• 미래 전망: 본 연구는 역설계 (Inverse Design) 파이프라인에 통합되어, 이상적인 조건뿐만 아니라 공정 변이에도 견고한 레이아웃을 자동으로 생성하는 자동화된 최적화 루프의 기반이 될 것입니다. 또한, 향후 확산 모델 (Diffusion Models) 등 더 정교한 생성 모델로의 확장 가능성을 제시합니다.

요약하자면, Gen-Fab은 나노 포토닉스 소자의 제조 변이를 정량화하고 예측하기 위한 혁신적인 생성형 AI 모델로, 기존 결정론적 접근법의 한계를 극복하고 실제 제조 환경과 유사한 확률적 디지털 트윈을 구현했다는 점에서 큰 의의를 가집니다.