반도체 특성 인자에 대한 데이터 기반 해석 기법을 이용한 분석연구

Analysis of Semiconductor Device Parameters Using Data-Driven Interpretive Approach

반도체 소자의 성능은 다양한 물리적 인자들의 복합적인 작용에 의해 결정된다. 특히 문턱전압 (threshold voltage, Vt)과 구동전류 (on-current, ID)는 회로 설계와 동작에 있어 핵심적인 특성으로, 이를 효과적으로 제어하는 것은 소자 연구에서 중요한 과제이다. 그러나 산화막 두께, 게이트 금속의 일함수, 도핑 농도, 유효 채널 폭 등 다양한 요인들이 서로 상호작용을 일으키기 때문에 특정 특성을 독립적으로 조절하기는 어렵다. 본 연구에서는 XGBoost (eXtreme Gradient Boosting)와 SHAP (SHapley Additive exPlanations) 기법을 이용하여 소자 특성에 영향을미치는 인자들의 중요도를 정량적으로 평가하였다. 분석 결과, 게이트 금속 일함수(metal work function, MWF)와 채널 폭이 Vt와 ID 제어하는데 있어서 가장 효과적인 요소로 확인되었다. 본 연구는 데이터 기반 접근법을 통해 소자 설계 시 유효한 인자 식별과 최적화 방안을 제시함으로써 향후 반도체 설계의 효율성을 높이는 데 기여할 수 있다.

The performance of semiconductor devices is determined by the complex interplay of multiple physical parameters. Among them, the threshold voltage (Vt) and on-current (ID) are the most critical characteristics for circuit design and operation. However, independent control of these properties is difficult because device parameters such as oxide thickness, gate-metal work function, doping concentration, and effective channel width interact with each other. In this study, we applied eXtreme Gradient Boosting (XGBoost) and SHapley Additive exPlanations (SHAP)-based data engineering techniques to quantitatively evaluate the relative importance of these parameters. The results reveal that the gate-metal work function (MWF) serves as the most effective knob for controlling Vt, while the channel width dominantly influences ID. This work demonstrates how machine-learning–assisted interpretable analysis can identify the most effective design knobs, thereby providing a pathway for efficient optimization in semiconductor device engineering.