피드백 전계효과 트랜지스터의 가중치 기반 LSTM 모델을 활용한 전기적 특성 예측 기법 연구
A Weighted LSTM-Based Prediction of Electrical Characteristics in Feedback Field-Effect Transistors
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
본 논문은 Technology Computer-Aided Design (TCAD) 시뮬레이션을 통해 메모리 반도체 소자인 피드백전계효과 트랜지스터의 전기적 특성 데이터를 생성하고, 소형 long short-term memory (LSTM) 모델을 활용하여소자의 전기적 특성을 예측하는 모델을 개발하고 성능을 비교 분석하였다. 차세대 메모리 반도체 소자인 피드백 전계효과 트랜지스터는 일반적인 반도체 소자들과는 다르게 급격하게 전류가 증가하고 감소하는 특성으로 인해, 기존의multi-layer perceptron(MLP) 기반 모델로는 예측 정확도가 저하되는 한계가 존재한다. 이를 해결하기 위해 본 연구에서는 다양한 데이터 전처리 및 학습 데이터 조합을 통해 성능을 최적화한 LSTM 모델에 피드백 전계효과 트랜지스터의 특성을 반영하였고, latch-up 및 latch-down 지점에서의 전류 및 전압 값을 고려한 가중치 부여 방식을 도입하여적은 수의 파라미터를 가진 소형 LSTM 모델에서 R² = 0.998, RMSE = 2×10⁻⁸의 높은 정확도를 확인하였다. 이를통해 학습된 모델의 파라미터를 추출하여 피드백 전계효과 트랜지스터의 compact model을 구축하고, Simulation Program with Integrated Circuit Emphasis (SPICE) 시뮬레이션을 수행할 수 있는 방안을 제시하였다. 또한, 본연구에서 개발한 LSTM 기반 예측 모델은 피드백 전계효과 트랜지스터의 전기적 특성을 효과적으로 모델링하여 차세대저전력 반도체 소자로서의 활용 가능성을 제시한다. 본 연구의 예측 모델을 활용하면, 피드백 전계효과 트랜지스터 기반의 저전력 메모리 및 연산 소자를 보다 정확하게 설계하고 최적화할 수 있으며, 이를 통해 IoT 기기의 성능 향상과전력 소비 절감에 도움이 될 것으로 기대된다.
Abstract
This study develops a prediction model using a small long short-term memory(LSTM) network to analyze the electrical characteristics of feedback field-effect transistors (FBFETs) based on Technology Computer-Aided Design (TCAD) simulation data. As FBFETs exhibit hysteresis characteristics due to abrupt current changes at latch-up and latch-down transitions, it is difficult to achieve high prediction accuracy by using traditional methods such as multi-layer perceptron (MLP). To address this problem, we applied a parameter-efficient LSTM model, achieving R²= 0.998 and RMSE = 2×10⁻⁸, by optimizing data preprocessing and incorporating a weighting strategy based on latch-up and latch-down currents and voltage values that reflect the electrical characteristics of FBFETs. The trained model parameters were extracted to develop a compact model, enabling Simulation Program with Integrated Circuit Emphasis (SPICE) simulations. This prediction model facilitates the design and optimization of FBFET-based memory and computing devices, contributing to improved performance and reduced power consumption in IoT applications.