부산대학교 도서관

Since 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), Wtop (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.
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) loss로 예측을 잘 하였지만, reverse prediction 내 D (원의 직경), Wtop (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.