DEVOCEAN

물리 모델 기반의 반도체 소자/공정 시뮬레이션에는

(1) 대면적 및 Multi-Physics 모델 적용에 따른 시뮬레이션 시간 증가(가속기 필요)와

(2) 반도체 소자/공정 단계에서 발생하는 물리적 현상을 설명할 수 있는 물리 모델 개발 속도가 느려 해석 정합성이 낮은 문제(정확도 필요)가 있습니다.

이러한 물리 모델 계산의 한계를 극복하기 위해 'AI for Science'라는 이름 하에 Big Tech 기업들은 AI를 활용한 물리 현상 예측 모델을 활발히 개발하고 있습니다.

대표적인 예로 2023년 Microsoft는 Material Screening 모델인 MatterGen 기술을 공개하였고,

2024년 NVIDIA는 GTS에서 진일보한 Weather Forecast 기술을 소개하였습니다.

이번 발표에서는 반도체 소자/공정/장비/소재 시뮬레이션 분야별로 활용 중인 AI for Science 사례를 간략히 소개하고,

그중 대표적으로 (1) Graph NN 모델을 활용한 Material Screening 기술과

(2) Neural Operator를 활용한 Transistor 성능 최적화를 위한 공정 Recipe Optimization 기술을 소개합니다.

김정한SK하이닉스

전산유체를 전공하였고, 이후 반도체 장비/공정 모델링을 위해 MD/DSMC/FVM/LBM 등 다양한 TCAD(Simulation) 기술을 현업에서 개발하고 다뤄왔습니다. AI 기술 발전과 함께 Simulation 분야 역시 그 기술을 받아들여 이제는 학계에서도 AI for Science라는 독자적인 영역을 구축하고 있습니다. SK 하이닉스 미래기술연구원에서는 이를 TCAD 3.0이라고 명칭하고 반도체 제품 개발과정에 본 기술을 녹여내기 위해 수년 전부터 노력하고 있습니다. 뛰어나고 열정 넘치는 동료들과 함께 TCAD 3.0이라는 새로운 분야를 앞장서 개척할 수 있음에 행복한 마음으로 연구에 임하고 있습니다.

#Simulation #TCAD #Physics Informed Deep Learning #Neural Operator #PINN #GNN