🔬 applied physics

Agentic TCAD Calibration Workflow for Oxide Semiconductor Transistors

이 논문은 산화물 반도체 트랜지스터를 위해 반복적인 모델 정밀화 및 물리 모델 선택을 조율하는 데 LLM을 활용하는 에이전트 기반의 TCAD 캘리브레이션 워크플로를 소개하며, 이를 통해 다중 지표 소자 오차를 성공적으로 줄이고 기존의 전문가 의존적 방식에 비해 다양한 바이어스 및 기하학적 구조 전반에서 우수한 모델 전이성을 입증하였다.

원저자: Gyujun Jeong, Junmo Lee, Sungwon Cho, Woohyun Hwang, Kwangyou Seo, Suhwan Lim, Wanki Kim, Daewon Ha, Rishi Ranade, Kihang Youn, Ram Cherukuri, Yiyi Wang, Asif Khan, Shimeng Yu

게시일 2026-09-14

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Gyujun Jeong, Junmo Lee, Sungwon Cho, Woohyun Hwang, Kwangyou Seo, Suhwan Lim, Wanki Kim, Daewon Ha, Rishi Ranade, Kihang Youn, Ram Cherukuri, Yiyi Wang, Asif Khan, Shimeng Yu

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 실리콘 칩은 오랫동안 독보적인 왕좌를 지켜왔지만, 엔지니어들은 차세대 소자를 구축하기 위해 점점 더 새로운 재료에 주목하고 있습니다. 이러한 경쟁자 중에는 산화물 반도체로 만들어진 트랜지스터가 있는데, 이는 더 낮은 온도에서 가공할 수 있고 첨단 컴퓨터 칩의 복잡한 층 구조에 통합될 수 있는 재료 군입니다. 이 장치들은 우리 휴대폰의 메모리부터 전기 자동차의 전력 변환기에 이르기까지 모든 것에 매우 중요합니다. 그러나 이러한 새로운 재료가 실제로 제작되기 전에 어떻게 작동할지 예측하는 것은 매우 어려운 과제입니다. 과학자들은 이러한 장치를 모델링하기 위해 정교한 컴퓨터 시뮬레이션을 사용하지만, 시뮬레이션을 실제 세상과 일치시키는 것은 폭풍 속에서 라디오 주파수를 맞추는 것과 같습니다. 선명한 신호를 만들어낼 수 있는 설정값은 매우 다양하지만, 실제 재료의 물리 법칙을 반영하는 설정값은 단 하나뿐이기 때문입니다. 정확한 일치가 없다면, 엔지니어들은 기술의 동력이 될 미래의 회로를 신뢰성 있게 설계할 수 없습니다.

연구팀은 이제 이 '튜닝 문제'를 해결하기 위한 새로운 방법을 도입하여, 느리고 수동적인 추측에서 벗어나 자동화되고 지능적인 프로세스로 나아갔습니다. 최근 연구에서 그들은 인듐, 텅스텐, 산소로 만들어진 특정 유형의 트랜지스터에 대한 컴퓨터 모델을 보정하는 데 도움을 주는 가이드 역할을 하는 인공지능 에이전트의 워크플로를 시연했습니다. 목표는 물리적 장치로부터 얻은 가공되지 않은 전기적 측정값을 바탕으로, 시뮬레이션 내부의 정확한 규칙과 숫자들을 찾아내어 그 측정값들을 완벽하게 재현하는 것이었습니다. 연구진은 AI 에이전트가 실제 장치와 시뮬레이션 사이의 차이점을 분석하게 함으로써, 모델에 대한 변경 사항을 체계적으로 제안할 수 있다는 것을 발견했습니다. 단 다섯 번의 지능적인 제안만으로 시뮬레이션은 실제 장치를 매우 정확하게 나타내는 모델이 되었으며, 두 모델 사이의 오차를 14배 이상 줄였습니다.

이 과정은 이미 실험실에서 제작되어 측정된 물리적 트랜지스터로부터 시작되었습니다. 연구진은 이 장치에서 얻은 전기 데이터를 트랜지스터가 어떻게 작동해야 하는지를 시뮬레이션하도록 설계된 컴퓨터 프로그램에 입력했습니다. 처음에 시뮬레이션은 실제 데이터와 잘 맞지 않았습니다. 전기의 흐름을 나타내는 곡선들이 잘못된 위치에 있었습니다. 인간 전문가가 수십 개의 변수를 수동으로 조정하며 시간을 보내는 대신, AI 에이전트가 업무를 넘겨받았습니다. 이 에이전트는 프로젝트 매니저처럼 행동하며 시뮬레이션 결과와 실제 측정값을 끊임없이 비교했습니다. 불일치를 발견했을 때, 에이전트는 단순히 숫자를 추측하여 수정하지 않았습니다. 대신, 어떤 물리적 현상이 오류를 일으키고 있는지 이해하기 위해 방대한 기술 매뉴얼과 과학 문헌을 참조했습니다.

만약 불일치가 장치가 적절한 전압에서 켜지지 않는다는 것을 시사한다면, 에이전트는 전자가 물질에서 얼마나 쉽게 떨어져 나가는지를 설명하는 특성인 일함수(work function)를 조정할 것을 제안할 수 있습니다. 만약 불일치가 장치가 꺼져 있어야 할 때 전류가 누설되는 방식에서 나타난다면, 에이전트는 물질 내의 트랩된 전하 또는 특정 에너지 상태를 설명하기 위해 새로운 물리 모델을 추가할 것을 제안할 수 있습니다. 결정적으로, 에이전트는 실제로 일치도를 개선하는 변경 사항만을 수용했습니다. 만약 제안된 조정이 시뮬레이션을 악화시키거나 수렴에 실패하면, 에이전트는 이를 버리고 다른 경로를 시도했습니다. 측정, 비교, 참조, 조정의 이 순환은 시뮬레이션과 실제 데이터가 일치할 때까지 계속되었습니다.

이 자동화된 보정의 결과는 놀라웠습니다. 특정 화학적 조성을 가진 장치의 데이터를 사용하여 구축된 최종 모델은, 재조정 없이도 다양한 조건 하에서 동일한 장치의 거동을 예측할 수 있었습니다. 연구진이 다양한 전기 전압과 심지어 원래보다 길이가 두 배 긴 트랜지스터로 모델을 테스트했을 때도 시뮬레이션은 여전히 정확했습니다. 장치가 켜지는 전압을 예측하는 오차는 46.2 mV 미만이었고, 전류 흐름을 예측하는 오차는 0.062 데케이드(decade) 미만이었습니다. 이는 모델이 단순히 한 세트의 숫자를 암기한 것이 아니라, 장치의 근본적인 물리학을 학습했음을 입증했습니다.

또한 이 연구는 모델이 제조 공정 자체를 이해하는 데 어떻게 사용될 수 있는지를 보여주었습니다. 연구진은 텅스텐 함량이 약간 더 높은 다른 화학적 혼합물로 만들어진 두 번째 장치를 테스트했습니다. AI 에이전트는 이 새로운 장치에 대해 모델을 성공적으로 재보정했으며, 화학적 변화가 주로 물질 내의 전하 운반체 밀도에 영향을 미친다는 것을 식별해 냈습니다. 이는 제조 레시피와 전기적 성능 사이의 명확하고 정량적인 연결 고리를 제공하여, 향후 엔지니어들이 생산 공정을 최적화하는 데 도움이 될 수 있는 통찰력을 제공했습니다.

이 작업은 인공지능이 새로운 전자 재료 개발에 있어 강력한 파트너 역할을 할 수 있음을 보여주며, 한때 깊고 전문적인 직관을 필요로 했던 과정을 더욱 체계적이고 빠른 워크플로로 바꾸어 놓았습니다. 전통적인 시뮬레이션의 물리적 엄밀함과 AI 에이전트의 적응형 추론을 결합함으로써, 연구진은 차세대 반도체 소자의 더욱 신뢰할 수 있고 효율적인 설계를 향한 길을 개척했습니다. 이 접근 방식은 인간의 전문성을 대체하는 것이 아니라 오히려 증폭시키는 것으로, 엔지니어가 큰 그림에 집중하는 동안 에이전트가 이론과 현실 사이의 완벽한 일치를 찾는 복잡하고 반복적인 과업을 처리하게 해줍니다.

기술 요약: 산화물 반도체 트랜지스터를 위한 에이전트 기반 TCAD 캘리브레이션 워크플로우

문제 정의
실험적 기술 컴퓨터 보조 설계(TCAD) 캘리브레이션은 차세대 산화물 반도체 트랜지스터의 예측 기술 모델링에서 중요한 병목 구간이다. 이 과정은 전통적으로 시간이 많이 소요되며 전문가의 직관에 크게 의존하는데, 이는 비자명한 역문제(inverse problem)이기 때문이다. 주요 과제는 "모델 모호성(model ambiguity)"이다. 즉, 여러 물리 모델과 파라미터 조합이 동일한 측정 전송 특성을 재현할 수 있으므로, 국부적인 파라미터 피팅만으로는 기저의 소자 물리학을 고유하게 식별하거나 모델의 일반화를 보장할 수 없다. 기존의 AI/ML 지원 TCAD 연구들은 일반적으로 미리 정의된 물리 또는 설계 공간 내에서 작동하며, 자율적으로 물리 모델을 선택하거나 실험 데이터 잔차(residual)를 바탕으로 통찰력을 제공하는 능력이 부족하다.

방법론
저자들은 제작된 바텀 게이트 In–W–O (BG-IWO) 트랜지스터에 대해 물리 모델 선택과 파라미터 조정을 자동화하도록 설계된 에이전트 기반 TCAD 캘리브레이션 워크플로우를 제시한다. 이 워크플로우는 대규모 언어 모델(LLM) 에이전트에 의해 조율되는 네 가지 핵심 구성 요소로 통합된다:

검색 증강 생성 (RAG): 에이전트는 관측된 측정-TCAD 잔차와 일치하는 후보 물리 모델을 식별하기 위해 Sentaurus Device 사용자 가이드 및 검토된 소자 문헌을 포함하는 지식 베이스(KB)를 쿼리한다.
잔차 유도 루프 (Residual-Guided Loop): 시스템은 측정된 전송 곡선과 현재 TCAD 결과값을 비교하여 잔차와 소자 지표를 추출한다. 이후 다음 동작이 기존 파라미터를 조정해야 하는 것인지, 아니면 추가적인 물리 모델을 활성화해야 하는 것인지를 결정한다.
경계 최적화 (Bounded Optimization):
- 파라미터 튜닝: 기존 파라미터의 경우, 워크플로우는 국부적 민감도를 추정하기 위해 일변수법(One-Factor-At-a-Time, OFAT) 프로브를 사용한 후, 다중 지표 목적 함수( $J$ )를 최소화하는 경계가 있는 파라미터 변화를 계산하기 위해 미분 없는 가우스-뉴턴(Derivative-Free Gauss–Newton, DFO-GN) 업데이트를 수행한다.
- 모델 활성화: 파라미터 경계가 모두 소진된 후에도 체계적인 불일치가 지속되면, 에이전트는 RAG 증거를 바탕으로 새로운 물리 모델(예: 가우시안 또는 테일 상태 밀도 모델)을 제안한다.
인간 참여형 검증 (Human-in-the-Loop Validation): 인간 검토자가 워크플로우 제약 조건(에이전트 스킬)을 정의하고, 덱(deck) 수정을 승인하며, 제안된 업데이트의 물리적 타당성을 검증한다. LLM은 오케스트레이터 역할을 수행하며, Sentaurus TCAD가 소자 방정식을 해결한다.

업데이트는 Sentaurus 실행이 수렴하고 다중 지표 목적 함수 $J$ (로그/선형 전류, 문턱 전압( $V_{th}$ ), 온-전류( $I_{on}$ ), 서브스레숄드 스윙( $SS$ )의 오차를 종합한 값)를 감소시킬 때만 수용된다.

주요 기여

최초의 실험적 입증: 본 연구는 제작된 산화물 반도체 소자에 적용된 에이전트 기반 TCAD 캘리브레이션 워크플로우를 최초로 실험적으로 입증하였다.
능동적 물리 모델 선택: 고정된 모델 내에서 파라미터를 피팅하는 기존 연구들과 달리, 이 워크플로우는 잔차 분석 및 문헌 검색을 바탕으로 물리 모델(예: DOS 항)을 능동적으로 선택하고 활성화한다.
공정 민감적 통찰력: 이 워크플로우는 캘리브레이션에 효과적인 기술자(예: 유효 일함수, 유효 도너 유사 배경 밀도)와 미시적 물리량 사이를 성공적으로 구분함으로써, 공정 변동에 대한 모델 수준의 역진단(inverse diagnostic)을 제공한다.

결과
워크플플로우는 드레인 바이어스가 50 mV 및 1 V인 2%-W 참조 BG-IWO 소자( $L=1 \mu m$ )에 적용되었다.

캘리브레이션 효율: 에이전트가 제안한 5번의 업데이트를 통해 다중 지표 소자 목적 함수 $J$ 를 14.3배 감소시켰다 (2.589에서 0.181로).
모델 전이성: 고정된 캘리브레이션 모델은 재튜닝 없이 다양한 드레인 바이어스(0.05–1.0 V) 및 다양한 채널 길이( $L=2 \mu m$ $L = 2 μ m$ )에 대해 테스트되었다.
- 드레인 바이어스 테스트: $V_{th}$ 의 최대 오차는 36.1 mV, $I_{on}$ 의 최대 오차는 0.022 decade였다.
- 채널 길이 테스트: $V_{th}$ 의 최대 오차는 46.2 mV, $I_{on}$ 의 최대 오차는 0.062 decade였다.
공정 민감도: 4%-W 소자에 대한 별도의 재캘리브레이션 결과, 조성 변화가 주로 유효 도너 유사 배경 밀도( $N_{D,eff}$ )와 게이트 정전기학에 영향을 미쳤음을 밝혀냈으며, 이는 도펀트-산소 결합에 관한 기존 연구와 일치한다.

의의 및 주장
본 논문은 이 에이전트 기반 워크플로우가 탐색 노력을 줄이고 모델/파라미터 모호성을 완화함으로써 차세대 소자 기술 개발을 위한 더 빠른 경로를 제공한다고 주장한다. 저자들은 이 워크플로우가 단순히 국부적인 파라미터 피팅을 달성하는 것이 아니라, 바이어스 및 기하학적 구조 전반에 걸쳐 일반화가 가능한 고정된 캘리브레이션 모델을 생성한다는 점을 강조한다. RAG, 실시간 TCAD 실행 및 잔차 유도 의사결정을 통합함으로써, 이 프레임워크는 후속 TCAD 연구와 공정 최적화를 가이드할 수 있는 물리적 및 공정적 통찰력을 제공한다. 저자들은 이 방법론이 모델 생성과 공정 최적화 사이의 빠른 반복 루프를 가능하게 하여, 다른 차세대 소자 기술 경로 탐색에도 확장 가능하다는 점을 언급하였다.

유사한 논문