지스트(광주과학기술원) 전기전자컴퓨터공학부 은 AI 대학원 최종현 교수와 함께 인공신경망을 통해 반도체 소자 시뮬레이션을 훨씬 빠르게 수행할 수 있는 기술을 개발했다.

연구팀은 반도체 소자 시뮬레이션 수행 시간 대부분이 불필요한 중간 과정의 답을 계산하는데 소요되는 것에 착안하여 학습된 인공신경망으로 우수한 어림짐작 답을 생성해 시뮬레이션 수행 시간을 10배 가까이 단축하는데 성공했다.

최근 세계적으로 반도체 품귀 현상이 나타나며 반도체 제조 기술이 크게 주목받고 있다. 특히, 반도체 소자 기술은 특히 짧은 시간 내에 개발을 완료하는 것이 중요하므로 반도체 소자 시뮬레이션에 거는 기대도 크다.

그러나 반도체 소자 시뮬레이션 프로그램을 수행할 때 통상 많은 시간이 소요되므로 이 자체가 기술 개발의 병목(Bottleneck)이 되고 있으며, 이를 해결하기 위해 병렬 컴퓨팅을 사용하는 등의 기법이 있으나 수많은 소자 디자인 후보들을 모두 다루기 위해서는 막대한 컴퓨팅 자원이 필요하다는 단점이 있다.

연구팀은 사용자가 알고 싶어 하는 전압 조건에 대한 답만을 바로 구해내는 방식으로 시뮬레이션 수행 시간을 단축했다.

일반적으로 반도체 소자 시뮬레이션은 비선형(Nonlinear) 방정식들을 푸는 것이므로 정답에 가까운 우수한 어림짐작 답을 알고 있어야 한다. 그러나 사용자가 알고 싶어 하는 전압 조건(대략 0.7 V 근방)에 대한 우수한 어림짐작 답을 미리 알기 어려워서 불가피하게 0 V부터 시작하여 차츰 전압을 증가시키게 된다.

연구팀은 원하는 전압 조건에 대한 답을 바로 구해내기 위해 인공신경망을 도입하였습니다. 이 인공신경망은 기존의 시뮬레이션 결과를 지도 학습하며 원하는 상황에 해당하는 반도체 소자 내부의 전위 분포를 생성해 준다.

이렇게 예측된 전위 분포를 어림짐작 답으로 사용하여 짧은 시간 내에 정답을 찾아낼 수 있으며, 제안된 방법을 검증하기 위해 기존 방식과의 속도 비교를 수행하였다.

기존 방식의 시뮬레이션 조절 파라미터들을 최적의 값으로 설정한 결과에 비해서도 8.4배 이상의 속도 향상을 얻었으며, 시뮬레이션 조절 파라미터들의 최적 값은 시뮬레이션을 직접 수행하기 전에는 알 수가 없으므로 실제 적용 시 예상되는 속도 향상은 10배 이상이 된다.

홍성민 교수는 “본 연구 성과는 인공신경망을 활용하여 반도체 소자 시뮬레이션의 수행 시간을 크게 줄일 수 있음을 최초로 확인하였다는데 의의가 있다”며, “후속 연구를 통해 차세대 반도체 소자 개발에 적극 활용될 수 있을 것으로 기대한다”고 말했다.

한편, 지스트 전기전자컴퓨터공학부 홍성민 교수가 주도하고 석사과정 한승철 학생과 AI대학원 최종현 교수가 참여한 이번 연구 성과는 반도체 소자 분야의 세계적인 학술지인 IEEE Transactions on Electron Devices에 '훈련 된 신경망에 의해 예측 된 근사 솔루션으로 반도체 장치 시뮬레이션 가속화(Acceleration of semiconductor device simulation with approximate solutions predicted by trained neural networks- 보기)'란 제목으로 지난 7일, 게재되었다.