Rapid FinFET Modelling Using an Autoencoder

기술 요약: 오토인코더를 이용한 신속한 FinFET 모델링

문제 정의
반도체 소자, 특히 FinFET의 스케일링은 소자 물리학을 이해하고 모델링하는 데 있어 상당한 복잡성을 초 introduced했습니다. 전통적인 TCAD(Technology Computer-Aided Design) 시뮬레이션은 필수적임에도 불구하고, 높은 계산 비용, 수렴 문제, 그리고 광범위한 도메인 전문 지식의 필요성으로 인해 어려움을 겪고 있습니다. 머신러닝(ML)이 시뮬레이션을 가속화하고 물리적 통찰력을 추출하는 도구로 부상했으나, 핵심적인 과제는 여전히 남아 있습니다: 즉, 학습 도메인 내에서 정확하면서도 일반화가 가능하고, 전문적인 수동 특징 추출에 대한 의존도를 최소화할 수 있는 모델을 개발하는 것입니다. 기존 방식들은 명시적인 물리적 제약 없이 바이어스 의존적 변화를 포착하는 데 있어 데이터 기반의 효율성과 정확성 사이의 균형을 맞추는 데 어려움을 겪는 경우가 많습니다.

방법론
저자들은 FinFET의 전류-전압($I_D$-$V_G$) 특성을 모델링하기 위해 오토인코더(AE)를 활용한 머신러닝 프레임워크를 제안합니다. 방법론은 다음과 같습니다:

1. 데이터 생성: 12nm p-채널 벌크 FinFET의 실험 데이터와 상관관계를 갖도록 튜닝된 보정된 BSIM-CMG 컴팩트 모델을 사용하여 데이터셋을 생성했습니다. 소자는 14nm 게이트 길이, 30.5nm 핀 높이, 14nm 핀 폭을 특징으로 합니다.
2. 전처리: 특정 드레인-소스 전압($V_{DS}$)에 대한 드레인 전류 대 게이트 전압 곡선을 생성하였으며, 이때 $V_G$는 0V에서 -0.8V까지 스윕되었습니다. 일관성을 보장하기 위해 곡선들을 공통 $V_G$ 벡터로 보간하였습니다. 드레인 전류의 넓은 동적 범위를 고려하여, 밑-10 로그 변환(base-10 logarithmic transformation)이 적용되었습니다. 데이터는 훈련 풀에서 계산된 평균과 표준편차를 사용하여 z-score 정규화를 거쳤습니다.
3. 네트워크 아키텍처: 대칭형 인코더-디코더 신경망이 사용되었습니다.
   • 입력: 정규화된 $I_D$ 포인트들과 정규화된 $V_{DS}$ 값이 결합된 평탄화(flattened)된 벡터입니다.
   • 인코더: 입력을 3개의 뉴런으로 구성된 잠재 공간 병목(latent space bottleneck)으로 압축하는 두 개의 완전 연결 은닉층(각 50개 뉴런, ReLU 활성화 함수)을 가집니다.
   • 디코더: 인코더를 미러링하는 두 개의 완전 연결층을 통해 원래의 입력 벡터를 재구성합니다.
   • 학락: 모델은 최대 500 에포크(epoch) 동안 Adam 옵티마이저를 사용하여 학습되었습니다.
4. 평가: 재구성 오차 외에도, 재구성된 곡선으로부터 핵심 소자 지표인 문턱 전압($V_{TH}$), 서브스레숄드 슬로프($SS$), 피크 트랜스컨덕턴스($g_m$)를 추출하여 모델의 효능을 평가했습니다. 이 값들은 원래의 BSIM-CMG 데이터와 비교되었습니다.

주요 기여

• 잠재 공간 압축: 본 연구는 전체 $I_D$-$V_G$ 곡선을 핵심 소자 물리학을 본질적으로 인코딩하는 저차원 잠재 공간으로 압축할 수 있음을 보여줍니다.
• 명시적 바이어스 통합: 주목할 만한 혁신은 드레인-소스 전압($V_{DS}$)을 입력 특성으로 명시적으로 포함시킨 점입니다. 이는 더 단순한 회귀 모델에서 별도로 처리되곤 하는 바이어스 의존적 변화를 포착하는 모델의 능력을 향상시킵니다.
• 직접적인 지표 추출: 프레임워크는 수동 특징 엔지니어링이나 복잡한 후처리 없이도 전체 곡선을 성공적으로 재구성하고 핵심 파라미터($V_{TH}$, $SS$, $g_m$)를 직접 추출합니다.
• 데이터 효율성: 이 접근 방식은 매니폴드 학습(manifold learning) 원리를 활용하며, 이는 최소한의 훈련 데이터로도 높은 정확도를 달 Achievable 할 수 있음을 시사합니다 (유사한 작업에서 25~50개의 샘플로 충분했던 선행 연구 참조).

결과
제안된 AI 기반 모델은 산업 표준인 BSIM-CMG 모델을 통해 검증되었습니다:

• 곡선 상관관계: 모델은 다양한 게이트 전압에 대해 드레인 전류와 트랜스컨덕턴스 모두에서 BSIM-CMG와 강한 상관관계를 보였습니다.
• 통계적 정확도: 결정 계수($R^2$)는 다양한 $V_{DS}$ 값에 대해 일관되게 0.9를 초과했습니다.
• 파라미터 추출 오차:
  • 문턱 전압 ($V_{TH}$): AI가 예측한 $V_{TH}$와 BSIM에서 추출한 $V_{TH}$ 사이의 백분율 오차는 지속적으로 낮게 나타나, 드레인 바이어스에 따른 문턱 전압 의존성을 정확하게 포착함을 확인했습니다.
  • 서브스레숄드 슬로프 ($SS$): 마찬가지로, 예측된 서브스레숄드 스윙에서도 낮은 백분율 오차가 관찰되었습니다.
  • 트랜스컨덕턴스 ($g_m$): 피크 트랜스컨덕턴스 예측 오차는 0%에서 5% 범위 내에 머물렀습니다. 저자들은 $g_m$이 $V_{TH}$나 $SS$보다 약간 더 많은 변동성을 보이는 경나며, 이는 미세한 곡선 형태 변화에 매우 민에도 민감한 미분 파라미터이기 때문에 예상되는 결과라고 언급했습니다.

의의 및 주장
본 논문은 제안된 오토인코더 프레임워크가 신속한 소자 특성 분석 및 모델링을 위한 강력한 도구를 제공한다고 결론짓습니다. 핵심 소자 특성을 낮은 예측 오차로 정확하게 재현함으로써, 이 모델은 아날로그, 디지털 및 RF 회로 설계에 적용하기에 적합한 견고함을 입증했습니다. 저자들은 이 데이터 기반 접근 방식을 전통적인 컴팩트 모델의 실행 가능한 대안으로 제시하며, 특징 추출을 위한 수동 도메인 전문 지식에 대한 의존도를 줄이면서도 기존 및 차세대 소자 기술에 대해 더 빠른 모델링과 높은 정확성을 제공하는 경로를 제시합니다.