KCI등재
심층신경망을 이용한 Nanowire FETs의 공정 조건 특성 예측
저자
하종현(Jonghyeon Ha) ; 이경엽(Gyeongyeop Lee) ; 서민기(Minki Suh) ; 방민지(Minji Bang) ; 김태형(Tae Heoung Kim) ; 김정식(Jungsik Kim)
발행기관
학술지명
전자공학회논문지(Journal of the Institute of Electronics and Information Engineers )
권호사항
발행연도
2022
작성언어
Korean
주제어
KDC
569
등재정보
KCI등재
자료형태
학술저널
발행기관 URL
수록면
29-37(9쪽)
제공처
FinFET(Fin Field Effect Transistor) 이후 차세대 logic 반도체 GAAFET (Gate All Around Field Effect Transistor)인 NWFET (Nanowire FET) 그리고 NSFET (Nanosheet FET)이 주목받고 있다. 우수한 성능을 지닌 GAAFET은 이전 logic 반도체들보다 매우 높은 수준의 공정 난이도를 지닌다. 공정 난이도가 높아질수록 개발단계에서 더 많은 공정 시간 및 금액이 발생한다. 이러한 높은 비용이 투입되는 반도체 개발에 머신러닝을 도입하면 더 적은 비용 및 시간으로 공정을 진행할 수 있다. 본 논문에서는 Synopsys 사 TCAD (Technology Computed-Aided Design) Sentaurus tool과 QTX tool을 활용하여 추출한 NWFET dataset을 DNN (Deep Neural Network) 통해 반도체 소자의 parameter 변화에 따른 전기적 특성 변동에 대해 forward prediction 및 reverse prediction 사용하여 예측 및 분석하였다. Forward prediction에서는 낮은 MSE (Mean Square Error) loss 로 예측을 잘 하였지만, reverse prediction 내 D (원의 직경), W<SUB>top</SUB> (사다리꼴 윗변), Shape (Nanowire 모양), Scattering 예측과 달리 cDir (채널 격자 방향) 및 nSubbands (subband의 개수) 예측에서 cDir 및 nSubbands 변화에 따른 전기적 특성 변동 비율이 낮아 분포가 고르게 나타나지 않아 낮은 예측률을 보였다.
더보기Since FinFET (Fin Field Effect Transistor), NWFET (Nanowire FET), the next-generation logic semiconductor GAAFET (Gate All Around Field Effect Transistor), and NSFET (Nanosheet FET) have been in the spotlight. GAAFET with excellent performance has a very high level of process difficulty compared to previous logic semiconductors. As the difficulty level of the process increases, more process time and amount of money are generated in the development stage. If machine learning is introduced into such high-cost semiconductor development, the process can proceed with less cost and time. In this paper, the NWFET dataset extracted using Synopsys TCAD (Technology Computed-Aided Design) Sentaurus tool and QTX tool was predicted and analyzed using forward prediction and reverse prediction for the variation of electrical characteristics according to parameter change of semiconductor devices through DNN (Deep Neural Network). Forward prediction is well predicted with low MSE (Mean Square Error) loss, but Unlike the predictions of D (diameter of circle), W<SUB>top</SUB> (top of trapezoid), Shape (Nanowire shape), and Scattering in the Reverse prediction, the rate of change in electrical characteristics because change in cDir (channel direction) and nSubbands (the number of subbands) was low in the predictions of cDir and nSubbands, and thus the distribution was not uniform.
더보기분석정보
서지정보 내보내기(Export)
닫기소장기관 정보
닫기권호소장정보
닫기오류접수
닫기오류 접수 확인
닫기음성서비스 신청
닫기음성서비스 신청 확인
닫기이용약관
닫기학술연구정보서비스 이용약관 (2017년 1월 1일 ~ 현재 적용)
학술연구정보서비스(이하 RISS)는 정보주체의 자유와 권리 보호를 위해 「개인정보 보호법」 및 관계 법령이 정한 바를 준수하여, 적법하게 개인정보를 처리하고 안전하게 관리하고 있습니다. 이에 「개인정보 보호법」 제30조에 따라 정보주체에게 개인정보 처리에 관한 절차 및 기준을 안내하고, 이와 관련한 고충을 신속하고 원활하게 처리할 수 있도록 하기 위하여 다음과 같이 개인정보 처리방침을 수립·공개합니다.
주요 개인정보 처리 표시(라벨링)
목 차
3년
또는 회원탈퇴시까지5년
(「전자상거래 등에서의 소비자보호에 관한3년
(「전자상거래 등에서의 소비자보호에 관한2년
이상(개인정보보호위원회 : 개인정보의 안전성 확보조치 기준)개인정보파일의 명칭 | 운영근거 / 처리목적 | 개인정보파일에 기록되는 개인정보의 항목 | 보유기간 | |
---|---|---|---|---|
학술연구정보서비스 이용자 가입정보 파일 | 한국교육학술정보원법 | 필수 | ID, 비밀번호, 성명, 생년월일, 신분(직업구분), 이메일, 소속분야, 웹진메일 수신동의 여부 | 3년 또는 탈퇴시 |
선택 | 소속기관명, 소속도서관명, 학과/부서명, 학번/직원번호, 휴대전화, 주소 |
구분 | 담당자 | 연락처 |
---|---|---|
KERIS 개인정보 보호책임자 | 정보보호본부 김태우 | - 이메일 : lsy@keris.or.kr - 전화번호 : 053-714-0439 - 팩스번호 : 053-714-0195 |
KERIS 개인정보 보호담당자 | 개인정보보호부 이상엽 | |
RISS 개인정보 보호책임자 | 대학학술본부 장금연 | - 이메일 : giltizen@keris.or.kr - 전화번호 : 053-714-0149 - 팩스번호 : 053-714-0194 |
RISS 개인정보 보호담당자 | 학술진흥부 길원진 |
자동로그아웃 안내
닫기인증오류 안내
닫기귀하께서는 휴면계정 전환 후 1년동안 회원정보 수집 및 이용에 대한
재동의를 하지 않으신 관계로 개인정보가 삭제되었습니다.
(참조 : RISS 이용약관 및 개인정보처리방침)
신규회원으로 가입하여 이용 부탁 드리며, 추가 문의는 고객센터로 연락 바랍니다.
- 기존 아이디 재사용 불가
휴면계정 안내
RISS는 [표준개인정보 보호지침]에 따라 2년을 주기로 개인정보 수집·이용에 관하여 (재)동의를 받고 있으며, (재)동의를 하지 않을 경우, 휴면계정으로 전환됩니다.
(※ 휴면계정은 원문이용 및 복사/대출 서비스를 이용할 수 없습니다.)
휴면계정으로 전환된 후 1년간 회원정보 수집·이용에 대한 재동의를 하지 않을 경우, RISS에서 자동탈퇴 및 개인정보가 삭제처리 됩니다.
고객센터 1599-3122
ARS번호+1번(회원가입 및 정보수정)