10월 과학기술인상,
한국과학기술원 신영수 교수 선정

- 기계학습 이용한 고성능 반도체 리소그래피 최적화 기술 개발

과학기술정보통신부(장관 이종호, 이하 ‘과기정통부’)와 한국연구재단(이사장 이광복, 이하 ‘연구재단’)은 이달의 과학기술인상 10월 수상자로 KAIST 전기및전자공학부 신영수 교수를 선정했다고 지난달 4일 밝혔다.
  ‘이달의 과학기술인상’은 우수한 연구개발 성과로 과학기술 발전에 공헌한 연구개발자를 매월 1명씩 선정하여 과기정통부 장관상과 상금 1천만 원을 수여하는 상이다.
  과기정통부와 연구재단은 신영수 교수가 기계학습(machine learning)을 적용해 기존보다 10배 이상 빠르고 해상도가 높은 반도체 리소그래피 최적화 기술을 개발한 공로를 높게 평가했다고 밝혔다.
  반도체 포토리소그래피(Photolithography)는 패턴이 새겨진 마스크에 빛을 비추어 웨이퍼 상에 소자를 형성해가는 과정으로 반도체 수율을 결정하는 가장 중요한 공정이다. 웨이퍼에 다각형을 만들기 위해서는 마스크에 그보다 훨씬 복잡한 패턴을 그려 넣어야 하는데, 이런 패턴을 찾아가는 과정을 OPC(Optical Proximity Correction)라고 부른다. 기존의 모델 기반 OPC는 마스크 형상을 고치고 시뮬레이션을 통해 웨이퍼 이미지를 확인하는 과정을 반복하게 되는 만큼 많은 시간이 소요된다.
  신영수 교수는 마스크 형상과 그에 대응하는 웨이퍼 이미지의 집합을 이용해 기계학습 모델을 만들고, 그 모델을 이용해 더 빠르고 해상도가 높은 OPC 최적화 기술을 개발했다. 만약 마스크 형상과 그에 대응하는 웨이퍼 이미지의 집합을 대량으로 갖고 있다면 이 집합을 이용해 마치 뇌를 훈련하듯 기계학습 모델을 만들 수 있다는 점에 착안한 것이다. 
  이와 함께 신영수 교수는 생성형 인공지능(AI)을 통해 기존 레이아웃 패턴과 구조적으로 유사한 특정을 가졌지만, 기존에는 존재하지 않던 레이아웃 패턴을 생성하는 방법도 개발했다. 동시에 이렇게 생성된 레이아웃 패턴과 기존의 샘플 패턴을 같이 활용해 리소그래피 최적화에 적용했을 때 모델 정확도가 높아진다는 것을 확인했다.
  해당 기술은 반도체 공정을 개선하고 해외 의존도가 높은 OPC 솔루션의 자립도를 높여 국내 반도체 산업 발전에 기여할 전망이다. 관련 연구성과는 국제학술지인 IEEE TSM(Transactions on Semiconductor Manufacturing)에 2021년 개재되었으며, 해당 논문은 그해 동 학술지에서 1편만 선정하는 베스트 페이퍼 어워드(Best Paper Award)를 수상했다. 
  신영수 교수는 “이번 연구는 기존 반도체 리소그래피 연구와 달리 머신러닝과 인공지능을 적용했다는 점에서 차별성이 크다”라며 “소수의 외국회사가 독점하면서 발생하는 라이센스 비용과 기술개발의 정체 문제를 해결하는 데 이바지할 수 있기를 기대한다”라고 밝혔다. 

[주요 연구성과 설명]

<기계학습을 이용한 고속·고해상도 반도체 리소그래피 최적화 기술>

ㅇ 빠르고 정확한 머신러닝 기반 OPC 기술
반도체 리소그래피는 패턴이 새겨진 마스크에 빛을 비추어 그림자를 웨이퍼상에 새기는 과정이다. 마스크에 정사각형을 새겨 놓고 빛을 비추면 그림자는 정사각형이 아니기 때문에, 정사각형의 그림자를 만들기 위해서는 마스크에 복잡한 패턴을 그려 넣어야 하는데, 그 패턴을 찾는 과정을 OPC라고 한다. 웨이퍼이미지가 정확하게 만들어져야 반도체 공정이 원활하게 진행되기 때문에 OPC는 수율을 결정하는 가장 중요한 단계 중 하나이다. 기존의 모델기반 OPC는 마스크형상을 고치고 시뮬레이션을 통해 웨이퍼이미지를 확인하는 과정을 반복하게 되어 많은 시간이 소모된다. 만일 마스크형상과 그에 대응되는 웨이퍼이미지의 집합을 대량으로 가지고 있다면, 이 집합을 이용해 마치 뇌를 훈련하듯 머신러닝 모델을 만들 수 있다. 그 모델에 원하는 웨이퍼이미지를 알려주면 대응되는 마스크형상을 손쉽고 빠르게 찾아낼 수 있는데, 이것이 머신러닝을 이용한 OPC의 기본 개념이다.

ㅇ 생성형 AI를 이용한 레이아웃 패턴 합성 기술

반도체 분야는 회로 정보를 담고 있는 레이아웃 패턴의 다양성이 부족한 경우가 대부분이다. 본 연구진은 생성형 AI를 통해서 기존 레이아웃 패턴과 구조적으로 유사한 특징을 가졌지만 기존에 존재하지 않던 레이아웃 패턴을 생성하는 방법을 개발하였다. 이렇게 생성된 레이아웃 패턴과 기존의 샘플 패턴을 같이 활용해 리소그래피 최적화에 적용했을 때 패턴 coverage 향상에 따른 모델 정확도 증가를 확인할 수 있었다.

-----이하 생략

<본 사이트에는 일부 내용이 생략되었습니다. 자세한 내용은 세라믹코리아 2023년 11월호를 참조바랍니다. 정기구독하시면 지난호보기에서 PDF를 다운로드 하실 수 있습니다.>