[주요 연구 내용 요약]

1. 본 연구는 차세대 노드의 전기적 특성을 소량 데이터로 빠르고 정확하게 예측하기 위해 전이학습 프레임워크를 제안하였음. 기존 세대의 대형 셀을 사전학습하여 구조 파라미터-전기적 특성 간의 상관관계를 학습한 후, 이를 활용하여 소형 셀 데이터에 미세조정을 적용하였음. 모델을 4개 은닉층을 갖춘 MLP 신경망으로 설계되었으며, 전이 모델은 초기 손실값이 낮아 학습 속도와 안정성을 크게 향상시켰음. 테스트 데이터 기준으로 예측된 소자 특성의 평균 및 표준편차 오차가 모두 3% 이하로 나타나 제한된 데이터 환경에서도 높은 정확도를 달성하였음. 이를 통해 개발 초기 단계의 데이터 부족 문제를 극복하고, 차세대 NAND 셀 설계 및 최적화를 시간 및 비용 측면에서 크게 단축시킬 수 있음.

[성과와 관련된 이미지 및 간단한 설명]

(1) 대형 셀 데이터 2000개로 학습된 사전학습 모델 결과와 (2) 소형 셀 데이터 500개로 전이학습한 모델 결과를 실제 값과 비교하였음. 두 모델 모두 평균 및 표준편차 오차가 3% 이내로 나타났음. 특히 소형 셀의 경우, 데이터가 적음에도 불구하고 전이학습 덕분에 실제 분포와 거의 일치하였음. 

[연구결과의 진행 상태 및 향후 계획]

1. 생성형 AI와 전이학습을 결합한 연구를 진행 중에 있음.
2. “IEEE Transactions on Electron Devices” 출판