1. 직무 지식 및 경험
[소속]첨단재료및소자연구실
[경험] Bilayer Channel TFT- 이동도 53%향상, SS 37%감소
TFT소자에 In-rich IZO/ Zn-rich IZO bilayer channel을 적용해 Mobility 53%향상, SS 37%감소시킨 경험이 있습니다.
처음에는 TFT의 성능향상을 위해 Ga-rich IGO/In-rich IZO bilayer channel 구조를 제안했습니다.
front channel에 main 전도경로가 생성되기에 Trap이 적어 SS성능이 좋은 IGO 채널층을 사용하고, back channel은 접촉 저항을 결정하기에 carrier concentration이 높은 IZO channel을 선택했습니다.
그 결과 기존 single layer TFT 소자 대비 SS를 36% 감소시킬 수 있었습니다.
하지만 mobility가 기존 대비 25%가 감소하는 문제점이 있었습니다.
IGO/IZO bilayer channel의 이동도와 SS 간의 trade-off 관계를 해결하기 위해 다음 2가지 방안을 적용하였습니다:
(1) front channel 물질을 IGO에서 In-rich IZO로 바꿨습니다.
실험 데이터의 통계적 분석을 통해 front channel이 on current에 지배적으로 영향을 주는 것을 확인했습니다.
따라서 carrier concentration이 높은 In-rich IZO를 front channel 물질로 채택했습니다.
(2) 2DEG 형성을 위해 Back channel 물질을 In-rich IZO에서 Zn-rich IZO로 바꿨습니다.
HEMT 세미나에서 hetero junction의 2DEG 형성 원리에 대해 공부한 경험이 있습니다.
이를 참고하여 두 물질을 함께 사용하면 계면에서 carrier accumulation을 통해 sub 전도경로가 형성되면서 mobility는 향상되고, trap 밀도 감소로 SS도 감소될 것이라고 가정하고 실험 진행했습니다.
그 결과 mobility는 53% 향상, SS는 37%가 감소된 trade-off 한계를 극복한 TFT 소자를 제작할 수 있었습니다.
[경험]High-K 공정 최적화- 누설전류 10,000배 감소
ZrO2의 공정 최적화로 누설전류 10,000배 감소시킨 경험이 있습니다.
ZrO2의 누설 전류가 100 nA로 gate oxide로 사용하기에 부적합했습니다.
누설 전류의 원인을 모색하던 중 ZrO2는 계면의 trap이 많아,
박막 품질에 초점을 맞춰 공정 최적화를 진행했습니다. 공정과정을 용액교반, 스핀코팅, soft bake과정으로 분리했습니다.
먼저, 용액 교반 과정에서 높은 온도로 인한 gelation을 방지하여 박막의 품질을 높이고,
교반 시간을 줄여 throuh put 확보를 위해 50~70도를 범위로 설정해 50, 60, 70도로 케이스를 나누어 공정을 진행했습니다.
50도에서 누설전류가 가장 낮았습니다.
스핀코팅 과정에서는 pinhole을 감소시키고, 전기장에 대한 저항성을 증가하기 위해 rpm을 감소시켰습니다.
6000, 5000, 4000rpm으로 공정을 진행했고, 4000rpm에서 누설전류가 낮았습니다.
하지만, 박막이 두꺼울수록 cap값이 감소하는 trade-off가 존재하여, 4000rpm으로 공정 방안을 최적화 했습니다.
softbake과정에서 solvent 증발이 미흡할 경우 crack이 발생하여 균일성 저하 등 박막의 품질 저하됩니다.
이를 반영하여 5, 7, 10min을 함께 테스트를 진행했습니다.
soft bake 시간을 늘릴수록 누설전류가 감소했고, 앞선 두 과정의 공정 최적화보다 누설전류 감소가 효과적이었습니다.
앞선 과정에도 불구 하고, 누설전류가 100 pA로 TFT소자의 gate oxide로 사용하기 어려워 추가적인 대안이 필요했습니다.
마지막으로, pinhole을 줄여 박막밀도를 향상시킬 수 있고, 균일성도 향상시킬수 있는 ramp up과정을 추가했고,
그 결과 누설전류는 10pA 수준으로 낮아져 ga te oxide로 사용 가능한 ZrO2 박막 을 제작할수 있었 습니다.
2. AX 활용 역량
[경험]: TFT소자 parameter 추출 자동화 코드 구현
[소속]: 첨단재료 및 소자 연구실
[역할]학부연구생
생성형 AI를 활용하여 TFT소자 parameter 추출 자동화 코드 제작하여, parameter 추출 시간을 25개 소자 기준
2시간에서 3분으로 줄인 경험이 있습니다.
IZO의 In/Zn 비율에 따른 조성비 engineering 진행 시, 제작하는 소자의 종류가 많았습니다.
공정 진행시, 최대 10종류, 한 종류의 25개의 소자를 제작가능했습니다. 총 250개의 소자를 제작하는데에는
13시간이 소요되는 반면, parameter을 추출하는 시간은 약 20시간이 걸리는 상황이 발생하였습니다.
시간을 줄이기 위해 GPT에게 parameter 추출을 요청하였지만, 잘못된 parameter을 추출하였습니다.
이를 수정하기 위해 과정을 물으며, 실패 원인을 찾으려 했지만 이는 근본적인 해결책이 아니였습니다.
따라서 과정의 투명성, 수정 가능, 자동화 기능, 저장 가능이라는 기본 요건을 정하여 충족하는 방안을 모색하였습
니다. 그 결과 python이 수정 가능, 저장 가능 요건을 충족하는 것을 알게 되었습니다.
하지만 python은 두 가지 요건에서 걸림돌이 존재하였습니다.
과정을 볼 수 있지만 코드를 해석할 줄 알아야 되며, 자동화를 할 수 있지만 코드를 구현할 수 있어야 했습니다.
이를 극복하기 위해 GPT를 활용하여 parameter 추출 자동화 코드를 작성하고 코드를 해석하였습니다.
이때 비전공자인 제가 수정하기 쉽고 오류 원인을 쉽게 색출 하기위해 코드 셀을 기능별로 나누어 제작을 요청하였습니다.
첫 요청의 결과물은 오류가 존재하였고, 해결하기 위해 오류 발생 코드 셀의 해석을 GPT에게 요청하여 직접 수정하였습니다.
자동화 코드는 이상치를 이용하여 parameter을 추출할 위험이 존재하여,parameter추출에 사용한 point를 확인할 수 있게
코드를 제작하였습니다. 앞선 과정을 통해, 저만의 Parameter 추출 자동화 코드를 구현하였습니다.
[경험]: 연구일지 기반 공정 최적화
연구일지로 DB를 구축하여, DB를 바탕으로 생성형 AI와 함께 공정 최적화 한 경험이 있습니다.
연구 일지의 의도는 팀원간 공정 내용, 소자 결과 공유와 공정 이슈 발생시, 빠른 문제 해결이 목적이었습니다.
하지만 1년간 학부 연구생 활동을 하며, 연구일지는 50page가 넘어갔습니다.
공정 이슈 발생시 검토 하여야하는 데이터의 양이 매우 많아 빠른 문제 해결이 어려웠습니다.
그러던 중 취업 설명회에서 기업에서는 트러블 슈팅을 위해 데이터를 copilot을 이용하여 필요한 데이터를 탐색하
는 것을 알게 되었습니다.
이 방법에 착안하여 기존 연구일지를 작성하던 notion의 AI를 활용하여 연구일지 기반의 DB를 구현하였습니다.
또한 공정이슈를 해결하기위한 데이터를 찾는 방안으로는 GPT를 사용하였습니다.
GPT의 plug in기능을 사용하여 GPT가 직접 notion에 있는 DB에 접근할 수 있게 하였습니다.
앞선 과정으로 연구일지 업로드 후, GPT에게 연구 feedback을 받을수 있게 setting을 하였습니다.
이 기능은 [Mask Pattern Size에 따른 Photolithography 최적화] 경험에서 사용되었습니다.
mask pattern변화로 Gate current, Off current증가하는 공정 이슈가 존재하였습니다.
이때 연구 일지 작성 후 GPT에게 feedback을 요청하였습니다.
이에 [Bilayer Channel Photolithography 최적화]의 연구일지를 반환하며, 같은 양상을 띄는것을 알려주었습니다.
그 결과 기존 노광, develop, etch 총 3과정 최적화 테스트가 필요한 반면, etch 공정만 최적화하여 공정이슈를 해결할 수 있었습니다.