5nm 나노시트 트랜지스터를 위한 고정밀 BSIM-CMG 모델 파라미터 추출기 iPREFER

Core Concepts

iPREFER는 전기적 특성 곡선의 물리적 및 통계적 특징을 활용하여 BSIM-CMG 모델 파라미터를 정확하고 효율적으로 추출하는 지능형 파라미터 추출기이다.

Abstract

이 논문은 BSIM-CMG 컴팩트 모델의 고정밀 파라미터 추출을 위한 iPREFER라는 혁신적인 방법을 소개한다. iPREFER는 전기적 특성 곡선의 특징을 추출하고 기계 학습 기술을 활용하여 BSIM-CMG 모델 파라미터를 자동으로 추출한다.
주요 내용은 다음과 같다:

5nm 나노시트 TCAD 디바이스 플랫폼을 활용하여 iPREFER의 성능을 검증하였다. 베이스라인 TCAD 데이터에 대해 Cgg-Vgs 곡선은 0.42%, Ids-Vgs 곡선은 1.28%의 RMS 오차로 정확하게 모델을 추출하였다.
EOT와 게이트 길이를 ±10% 변화시킨 TCAD 데이터에 대해서도 Cgg-Vgs 곡선은 0.47%, Ids-Vgs 곡선은 1.44~2.47%의 RMS 오차로 정확한 모델 추출이 가능하였다.
기존 딥러닝 기반 파라미터 추출 알고리즘 대비 iPREFER는 더 작은 신경망 구조, 더 적은 학습 데이터, 더 빠른 학습 속도, 그리고 더 높은 파라미터 추출 정확도를 보였다.
iPREFER는 BSIM-CMG 모델뿐만 아니라 다른 컴팩트 모델에도 범용적으로 적용 가능한 유연한 프레임워크이다.
이를 통해 iPREFER는 TCAD 모델에서 회로 설계를 위한 컴팩트 모델로의 신속하고 정확한 전환을 가능하게 하여, 반도체 설계 및 공정 최적화 혁신을 지원할 것으로 기대된다.

Stats

Cgg-Vgs 곡선의 RMS 오차는 0.42%이다.
Ids-Vgs(Vds=0.05V) 곡선의 RMS 오차는 1.28%이며, 문턱전압 영역에서는 0.32%의 오차를 보였다.
Ids-Vgs(Vds=0.7V) 곡선의 RMS 오차는 2.6%이며, 문턱전압 영역에서는 0.95%의 오차를 보였다.
Ids-Vds 곡선의 RMS 오차는 1.58%이다.

Quotes

"iPREFER는 전기적 특성 곡선의 물리적 및 통계적 특징을 활용하여 BSIM-CMG 모델 파라미터를 정확하고 효율적으로 추출한다."
"iPREFER는 BSIM-CMG 모델뿐만 아니라 다른 컴팩트 모델에도 범용적으로 적용 가능한 유연한 프레임워크이다."

Key Insights Distilled From

iPREFER

by Zhiliang Pen... at arxiv.org 04-12-2024

https://arxiv.org/pdf/2404.07827.pdf

Deeper Inquiries

TCAD 모델과 컴팩트 모델 간의 정확한 변환은 반도체 설계 및 공정 최적화에 매우 중요하다. iPREFER 이외에 이러한 변환을 가속화할 수 있는 다른 기술적 접근법은 무엇이 있을까

TCAD 모델과 컴팩트 모델 간의 정확한 변환을 가속화하는 다른 기술적 접근법으로는 머신러닝 및 딥러닝 기술을 활용한 방법이 있습니다. 예를 들어, 딥러닝을 활용하여 TCAD 모델의 데이터를 입력으로 활용하여 컴팩트 모델의 파라미터를 추출하는 방법이 있습니다. 이를 통해 더 빠르고 정확한 변환을 이룰 수 있으며, iPREFER와 같은 방법과 결합하여 더 효율적인 결과를 얻을 수 있습니다.

iPREFER는 BSIM-CMG 모델 외에도 다른 컴팩트 모델에 적용할 수 있다고 하였는데, 이를 위해서는 어떤 추가적인 고려사항이 필요할까

iPREFER가 BSIM-CMG 모델 외의 다른 컴팩트 모델에 적용되기 위해서는 해당 모델의 특성과 파라미터에 대한 이해가 필요합니다. 각 모델은 고유한 특성을 가지고 있기 때문에, 해당 모델에 맞는 특징 및 파라미터를 추출할 수 있는 방법을 고려해야 합니다. 또한, 다른 모델에 대한 데이터셋을 구축하고 이를 활용하여 iPREFER의 학습을 진행해야 합니다. 따라서, 다른 모델에 적용할 때에는 해당 모델의 특성을 고려하여 데이터 처리 및 모델 학습을 진행해야 합니다.

iPREFER의 핵심 기술인 전기적 특성 곡선의 특징 추출 방법은 다른 분야의 데이터 분석에도 응용될 수 있을까

전기적 특성 곡선의 특징 추출 방법은 다른 분야의 데이터 분석에도 응용될 수 있습니다. 예를 들어, 의료 이미지 분석에서는 이미지의 특징을 추출하여 질병 진단이나 예측에 활용할 수 있습니다. 또한, 자연어 처리 분야에서는 텍스트 데이터의 특징을 추출하여 감성 분석이나 텍스트 분류에 활용할 수 있습니다. 이러한 응용 사례에서도 전기적 특성 곡선의 특징 추출 방법을 활용하여 데이터의 중요한 특징을 식별하고 분석할 수 있습니다.