오토인코더 (Autoencoder)를 이용한 신속한 FinFET 모델링

본 연구는 FinFET의 효율적인 모델링을 위해 오토인코더 (Autoencoder, AE)를 활용하는 머신러닝 프레임워크를 제시합니다. 우리는 먼저 전류-전압 (ID-VG) 특성 데이터셋을 생성하기 위해 BSIM-CMG 모델을 보정하였습니다. 이 데이터는 전체 I-V 곡선을 저차원 잠재 공간 (latent space)으로 압축하는 오토인코더를 학습시키는 데 사용되었으며, 이 공간은 소자의 핵심 물리 법칙을 본질적으로 인코딩합니다. 핵심적인 혁신은 드레인-소스 전압 (VDS)과 같은 파라미터를 입력 특징 (input feature)으로 명시적으로 포함하여, 바이어스 의존적 변화 (bias dependent variation)를 포착하는 모델의 능력을 향상시킨 점입니다. 학습된 모델은 전체 I-V 곡선을 성공적으로 재구성하며, 문턱 전압 (VTH), 서브스레숄드 슬로프 (SS), 피크 전달 컨덕턴스 (gm)를 포함한 핵심 소자 지표를 직접 추출합니다. 이러한 접근 방식은 실제 특성 데이터로부터 구축된 데이터 기반 컴팩트 모델 (data driven compact models)이 최소한의 학습 데이터로도 높은 정확도를 달성할 수 있음을 보여주며, 신속한 소자 특성 분석, 모델링 및 회로 레벨 시뮬레이션을 위한 강력한 도구를 제공합니다.