Uncertainty-aware calibration from SEM profiles to electrical response using coupled process and device TCAD
본 논문은 경계 분포를 결합된 공정 및 소자 TCAD 시뮬레이션으로 전파함으로써 SEM 프로파일을 전기적 응답으로 매핑하는 불확실성 인지형 폐루프 계산 프레임워크를 소개하며, 이를 통해 기존의 하드 경계 캘리브레이션과 비교하여 전기적 예측 정확도와 어노테이션 효율성을 향상시킨다.
원본 논문은 CC BY 4.0 (https://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 보이지 않는 세계에서, 가장 작은 트랜지스터들은 마치 미세한 초고층 빌딩처럼 층층이 쌓아 올려 구축됩니다. 이러한 미세 구조들이 제대로 작동하도록 보장하기 위해, 엔지니어들은 나노미터 규모의 특징까지 볼 수 있는 강력한 현미경으로 이를 검사해야 합니다. 주사 전자 현미경(SEM) 프로파일이라고 알려진 이 이미지들은 트랜지스터 단면의 정확한 형상을 보여줍니다. 그러나 이 이미지들은 결코 완벽하게 선명하지 않습니다. SEM 블러(blur)와 검사자 간의 편차로 인해 가장자리가 흐릿하게 보이며, 서로 다른 전문가들이 형태의 윤곽을 추적할 때 약간씩 다른 방식으로 그릴 수도 있습니다. 이러한 불확실성은 매우 중요한데, 트랜지스터의 정밀한 기하학적 구조가 전기의 흐름을 결정하기 때문입니다. 형상이 단 몇 나노미터만 어긋나도 장치가 제대로 켜지거나 꺼지지 않거나, 전력을 너무 많이 소비할 수 있습니다. 수십 년 동안 엔지니어들은 흐릿한 이미지로부터 하나의 최선의 추측인 윤곽선을 추출하여 컴퓨터 시뮬레이션에 입력함으로써 장치의 동작을 예측하려고 노력해 왔습니다. 하지만 이 방식은 불확실성 자체에 담긴 가치 있는 정보를 버리는 것으로, 일련의 가능성을 단 하나의 실제 결과인 것처럼 취급하는 것입니다.
동충대학교의 허치나오(Qinao Hu)가 발표한 새로운 연구는 이 문제를 다루는 다른 방법을 제안합니다. 연구진은 흐릿한 이미지 위에 하나의 고정된 선을 강제로 덧씌우는 대신, 처음부터 불확실성을 인정하는 시스템을 구축했습니다. 그들은 트랜지스터의 가장자리를 고정된 선이 아니라 가능성의 구름(cloud of possibilities)으로 취급했습니다. 이 구름은 이미지의 흐릿함 속에서 전문가가 경계선을 그릴 수 있는 모든 타당한 방법들을 나타냅니다. 연구진은 단 하나의 추측이 아니라 이 전체 가능성의 구름을 컴퓨터 모델에 입력했습니다. 이렇게 함으로써, 컴퓨터가 장치가 실제로 수행할 수 있는 동작의 전체 그림을 포착할 수 있도록 다양한 전기적 동작 범위를 계산할 수 있게 했습니다. 목표는 이 불확실성을 전체 과정 내내 유지하는 것이 실제 트랜지스터의 성능을 더 정확하게 예측하는 데 도움이 되는지 확인하는 것이었습니다.
연구진은 오늘날 가장 강력한 컴퓨터 칩에 사용되는 나노시트 전계효과 트랜지스터(nanosheet field-effect transistor)라는 특정 유형의 고급 트랜지스터에 집중했습니다. 그들은 트랜지스터 채널 옆에서 전기의 흐름을 제어하는 데 결정적인 역할을 하는 미세한 절연 벽인 스페이서(spacer)를 조사했습니다. 실험에서 연구진은 다섯 가지 제조 배치에서 가져온 180개의 실제 이미지 데이터셋을 사용했습니다. 이 중 일부 이미지는 두 명의 서로 다른 전문가에 의해 추적되었으며, 이를 통해 팀은 인간의 판단이 가장자리를 정의할 때 얼마나 변하는지를 정확히 측정할 수 있었습니다. 팀은 컴퓨터 프로그램이 이 이미지들을 보고 가장자리가 있을 법한 위치와 그 위치에 대한 확신도를 보여주는 확률 지도를 출력하도록 훈련시켰습니다. 이 프로그램은 전체적인 형상, 선 사이의 거리, 그리고 채널 폭이나 벽의 각도와 같은 특정 임계 측정값에서의 오류를 최소화하도록 학습되었습니다.
컴퓨터가 각 이미지에 대한 일련의 가능한 형상을 생성한 후, 연구진은 제조 과정을 모방하는 정교한 시뮬레이션을 통해 이 형상들을 전달했습니다. 프로세스 캘리브레이션(process calibration)이라고 알려진 이 단계는 관찰된 형상과 일치하도록 시뮬레이션의 내부 설정을 조정합니다. 입력값이 단일 선이 아닌 형상의 구름이었기 때문에, 출력값 또한 가능한 제조 설정의 구름이 되었습니다. 이 불확실성은 장치의 전기적 성능을 예측하는 두 번째 시뮬레이션으로 전달되었습니다. 이 최종 단계에서는 트랜지스터를 켜는 데 필요한 전압과 흐를 수 있는 전류량과 같은 핵심 지표를 계산했습니다. 연구진은 이 예측값을 실제 고충실도(high-fidelity) 장치 시뮬레이션 결과와 비교하여 얼마나 근접했는지 확인했습니다.
결과는 불확실성을 수용하는 것이 훨씬 더 나은 예측으로 이어진다는 것을 보여주었습니다. 연구진이 이 새로운 방법을 사용했을 때, 트랜지스터를 켜는 데 필요한 전압을 예측하는 오차는 11.9 밀리볼트로 떨어졌는데, 이는 단일 경계를 사용하는 전통적인 방식의 오차인 21.8 밀리볼트에 비해 상당한 개선입니다. 마찬가지로, 장치가 다양한 조건에서 어떻게 작동하는지를 설명하는 전류-전압 곡선을 예측하는 오차도 5.8%에서 3.1%로 감소했습니다. 새로운 접근 방식은 신뢰 구간에서도 더 높은 신뢰성을 입증했는데, 예측된 범위 내에서 실제 전기적 동작을 정확히 포착한 비율이 기존 방식의 63%에 비해 91%로 높았습니다. 이는 현미경 이미지의 흐릿함을 인정함으로써 컴퓨터 모델이 제조 변동을 더 효과적으로 탐색할 수 있음을 시사합니다.
연구는 또한 이 정보를 사용하여 데이터를 개선하는 방법도 탐구했습니다. 시스템은 어떤 이미지가 최종 전기적 성능에 실제로 영향을 미치는 불확실성을 가장 많이 가지고 있는지 식별할 수 있었기에, 인간 전문가의 재검토를 위한 특정 이미지를 우선순위에 둘 수 있었습니다. 팀이 데이터셋에 단 30개의 새로운 레이블을 추가하는 테스트를 진행했을 때, 이 스마트한 선택 전략은 예측 오차를 1.54%로 줄였습니다. 반면, 단순히 무작위로 이미지를 골라 레이블을 다시 달거나, 전기적 영향력을 고려하지 않고 오직 얼마나 흐릿한지만을 기준으로 뽑았을 때는 각각 2.36%와 2.1%로 훨씬 높은 오차가 발생했습니다. 이 발견은 모든 불확실성이 동일한 것은 아니라는 점을 강조합니다. 즉, 어떤 흐릿한 가장자리는 최종 제품에 훨씬 더 큰 영향을 미치며, 새로운 시스템은 그 차이를 식별하는 법을 배웠습니다.
궁극적으로 이 연구는 반도체 제조라는 중대한 환경에서, 우리의 측정 한계를 무시하는 것이 더 나쁜 예측으로 이어질 수 있음을 보여줍니다. 트랜지스터의 가장자리를 단 하나의 사실이 아닌 가능성의 분포로 취급함으로써, 연구진은 제조 과정의 더 견고한 디지털 트윈을 만들어냈습니다. 이 접근 방식은 단순히 숫자의 정확도를 높이는 데 그치지 않고, 세계에서 가장 작은 기계를 만드는 데 내재된 위험과 변동에 대한 더 명확한 그림을 제공합니다. 이 방법은 현미경 이미지의 시각적 결함을 기능하는 칩의 전기적 실체와 성공적으로 연결했으며, 우리가 알지 못하는 바를 주의 깊게 계상하는 것이 우리가 이해하고자 하는 바를 더 잘 이해하는 길임을 증명했습니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.