Uncertainty propagation from SEM profiles to TCAD-referenced electrical predictions using coupled process and device models
본 논문은 단면 SEM 프로파일로부터의 불확실성을 결합된 공정 및 소자 TCAD 모델을 통해 전파함으로써 공간적으로 일관된 컨투어와 보정된 전기적 예측을 생성하여, 반도체 소자 특성 분석을 위한 높은 기하학적 정확도와 신뢰할 수 있는 문턱 전압 구간 범위를 달성하는 프레임워크를 제시한다.
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 세계에서 가장 작은 부품들은 실리콘과 금속으로 이루어진 미세한 마천루처럼 층층이 쌓아 올려져 만들어집니다. 이러한 미세 구조가 제대로 작동하는지 확인하기 위해 엔지니어들은 전기가 어떻게 흐를지를 예측하는 강력한 컴퓨터 시뮬레이션에 의존합니다. 이 시뮬레이션에는 장치의 형상에 대한 정밀한 청사진이 필요합니다. 그러나 과학자들이 전자 현미경으로 실제 장치를 관찰할 때, 이미지의 가장자리는 종종 흐릿하거나 모호하게 나타납니다. 한 재료가 어디에서 끝나고 다른 재료가 어디에서 시작되는지 정확히 구분하기 어렵습니다. 이러한 이미지의 불확실성은 문제를 야기합니다. 만약 컴퓨터 시뮬레이션이 흐릿하거나 추측된 형상에서 시작한다면, 그 전기적 성능에 대한 예측 또한 불확실해질 것이기 때문입니다. 연구자들이 직면한 질문은, 장치를 만든 정확한 제조 설정을 알지 못하더라도 불완전한 현미경 이미지를 사용하여 가능한 형상의 범위를 충분히 좁혀 신뢰할 수 있는 전기적 예측을 할 수 있는지 여부입니다.
동화중국정상대학교(East China Normal University)의 한 연구자는 현미경 이미지의 흐릿한 가장자리를 단순히 수정해야 할 하나의 실수가 아니라, 탐구해야 할 가능성의 범위로 취급하는 새로운 방법을 개발하여 이 과제를 해결했습니다. 이 시스템은 컴퓨터가 재료의 가장을 나타내는 단 하나의 선을 선택하도록 강요하는 대신, 이미지에 부합하는 수백 개의 약간씩 다른 그럴듯한 윤곽선을 생성합니다. 그런 다음 이 각각의 가능한 형상을 정밀한 물리 시뮬레이션에 입력하여 각 버전에서 전기가 어떻게 작동하는지 확인합니다. 이 모든 시뮬레이션의 결과를 결합함으로써, 연구자는 전기적 성능이 무엇인지뿐만 아니라 이미지의 불확실성으로 인해 그 성능이 얼마나 변할 수 있는지에 대한 신뢰도를 포함한 예측을 내놓을 수 있습니다.
연구자는 이 접근 방식을 특정 유형의 첨단 트랜지스터에서 촬영한 180개의 실제 현미경 이미지 데이터셋에 적용하여 테스트했습니다. 그들은 이 방법을 업계에서 사용되는 여러 표준 기술과 비교했습니다. 표준 방식들은 대개 가장자리를 나타내는 단 하나의 최적의 선을 찾으려 하거나, 더 단순한 통계적 추측을 사용합니다. 이미지 분석을 물리 시뮬레이션과 결합한 이 새로운 방법은 더 정확하다는 것이 증명되었습니다. 트랜지스터가 켜지는 시점을 결정하는 핵심 전기적 특성인 문턱 전압(threshold voltage)을 예측할 때, 새 방법의 오차는 평균 11.9밀리볼트(mV)에 불과했습니다. 반면, 단 하나의 고정된 선을 사용하는 가장 우수한 표준 방식은 더 큰 오차를 보였으며, 더 복잡한 통계적 기준선은 약간 덜 정확했습니다. 또한, 새 방법은 정밀하면서도 신뢰할 수 있는 값의 범위를 제공했습니다. 테스트 케이스의 91%에서 실제 전기적 동작이 예측 범위 내에 있었으며, 이 범위의 폭은 공학적 의사결정에 유용할 만큼 충분히 좁았습니다.
연구의 중요한 부분은 컴퓨터의 예측이 장치가 어떻게 만들어졌는지에 대한 가정에 근거하는 것이 아니라 이미지 데이터에 근거하도록 보장하는 것이었습니다. 연구자는 컴퓨터의 추측을 보지 않고 독립적으로 장치의 형상을 추적한 전문가가 만든 '골드 스탠다드(gold standard)' 참조 모델을 사용했습니다. 이를 통해 형상 추출의 진정한 전기적 결과를 측정할 수 있었습니다. 연구자들은 자신들의 방법이 현미경의 시각적 불확실성을 현실적인 전기적 불확실성으로 성공적으로 변환한다는 것을 발견했습니다. 예를 들어, 그들은 장치를 통해 흐르는 전류가 단 하나의 잠재적으로 오해를 불러일으킬 수 있는 숫자가 아니라, 작고 계산 가능한 양만큼 변할 것이라고 예측할 수 있었습니다. 이러한 불확실성을 정량화하는 능력은 엔지니어가 모든 물리적 변형을 직접 만들고 테스트할 필요 없이 설계의 위험을 이해하는 데 매우 중요합니다.
연구는 또한 인간 전문가에게 특정 이미지를 재검토하도록 요청함으로써 과정을 더욱 개선하는 방법을 탐구했습니다. 연구자는 어떤 이미지가 두 번째 검토를 통해 가장 큰 도움을 받을 수 있는지 결정하는 스마트한 시스템을 개발했습니다. 단순히 이미지를 무작위로 뽑거나 가장 혼란스러워 보이는 이미지를 고르는 대신, 시스템은 재검토했을 때 최종 전기적 예측을 가장 많이 개선할 수 있는 이미지가 무엇인지 계산했습니다. 이 스마트한 선택 방식을 통해 단 30개의 추가적인 전문가 주석을 더했을 때, 전기적 예측 오차는 2.12%로 떨어졌습니다. 이는 이미지를 무작위로 선택하거나 단순히 시각적 모호성이 가장 높은 이미지를 선택하는 것보다 나은 결과였습니다. 이 발견은 향로 엔지니어들이 제한된 인간의 주의력을 최종 제품의 성능에 가장 중요한 특정 데이터 포인트에 집중함으로써 시간과 비용을 절약할 수 있음을 시사합니다.
하지만 연구자는 자신의 성공에 대한 한계점도 주의 깊게 언급했습니다. 약간 다른 조건에서 제작된 완전히 새로운 배치(batch)의 장치들에 이 학습된 시스템을 적용했을 때, 정확도가 떨어지고 신뢰 구간의 신뢰성이 낮아졌습니다. 이는 이 방법이 특정 제품군 내에서는 매우 잘 작동하지만, 일부 조정 없이는 모든 제조 변형에 대해 완벽하게 작동하는 보편적인 솔루션은 아님을 나타냅니다. 연구자들은 새로운 배치에서 몇 가지 새로운 사례를 추가하는 것만으로도 시스템이 재보정되어 대부분의 정확도를 회복할 수 있다는 것을 발견했습니다. 이는 이 방법이 강력하긴 하지만, 제조 공정이 상대적으로 일관되게 유지되는 것에 의존한다는 점을 강조합니다.
궁극적으로, 이 연구는 미세한 장치의 불완전한 이미지와 이를 설계하는 데 필요한 정밀한 전기적 예측 사이의 간극을 메우는 실질적인 방법을 보여줍니다. 재료의 가장자리가 단 하나의 선이 아니라 가능성의 영역임을 인정하고, 그 영역이 전기의 흐름에 어떻게 영향을 미치는지 수학적으로 추적함으로써, 연구자는 이전의 방법들보다 더 정확하고 스스로의 한계에 대해 더 정직한 도구를 제공했습니다. 산업계에 있어 이는 엔지니어가 시뮬레이션이 물리적 세계의 실제 가변성을 반영한다고 믿을 수 있는, 더 신뢰할 수 있는 컴퓨터 보조 설계(CAD)를 향한 한 걸음이며, 이를 통해 더 나은 칩과 더 효율적인 전자 제품을 만들 수 있습니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.