Study on Program Efficiency Improvement of 3D NAND Flash Cell Structure Based on Artificial Neural Network

Abstract

본 논문에서는 3차원 낸드 플래시 셀 구조로 문턱 전압을 예측하는 인공신경망을 학습시키고, 신경망과 수치적 방법을 이용하여 단일 낸드 플레시 셀 구조가 개선된 프로그램 효율을 갖도록 최적화하였다. 낸드 플래시 메모리는 효율적인 프로그램을 위해 증분 단계 펄스 프로그래밍(ISPP) 방법을 사용할 수 있다. 일반적으로 높고 일정한 ISPP 기울기를 가질 때 프로그램에 적합하지만, 특정한 전기적 특성을 갖도록 소자를 설계하는 것은 어렵다. 이를 해결하기 위해 인공 신경망 기술을 이용하여 목표한 전기적 특성에 맞게 소자를 설계하는 연구를 진행했다. 먼저 학습에 사용할 데이터를 확보하기 위해 TCAD를 이용하여 3차원 낸드 플래시 셀 구조를 구현했다. 그리고 구현한 낸드 플래시 셀이 측정 데이터와 유사한 문턱전압 및 ISPP 기울기를 갖도록 교정했다. 교정한 셀 구조를 기준으로 각 파라미터의 범위를 설정한 뒤, 무작위로 셀을 생성하고 시뮬레이션을 통해 셀의 전기적 특성을 얻었다. MATLAB을 이용하여 낸드 셀 구조와 문턱전압의 관계를 학습하는 순방향 모델을 설계했다. 이때 여러 셀 구조 매개변수와 문턱전압이 갖는 복잡한 관계를 학습시키기 위해 다층 퍼셉트론 (MLP)을 사용했다. 그 결과 각 구조의 신경망 예측 값이 실제 값과 거의 유사하게 (<10% 오류) 예측했으며 한번 학습하는데 30초 정도밖에 소요되지 않았다. 다음으로 학습시킨 신경망과 수치적 방법을 이용하여 낸드 셀 구조가 목표한 전기적 특성을 갖도록 최적화하는 역방향 모델을 설계했다. 최적화에 사용한 손실함수는 ISPP 기울기가 높고 일정한 값을 갖도록 설계했고, 최적화 방향성을 조절하기 위해 손실함수에 3개의 계수를 적용하였다. 또한 가장 성능이 좋은 최적화된 구조에 공정 변동을 적용하여 측정 데이터와 비교하였다. 그 결과, 계수 값이 변함에 따라 의도한 대로 최적화 결과가 변화하는 것을 확인하였고, 한번 최적화 과정에 약 40초 정도 밖에 소요되지 않았다. 계수를 변화시키며 얻은 최적화 결과 중 가장 성능이 좋은 셀 구조는 측정 데이터로 교정한 셀 구조에 비해 문턱 전압과 ISPP 기울기의 포화 구간에서 각각 24.6%, 11.6% 개선된 전기적 특성을 가졌다. 또한, 공정 변동 범위 내에서 임의로 시뮬레이션 한 전기적 특성들은 평균적으로 측정 데이터에 비해 문턱 전압과 ISPP 기울기의 포화 구간에서 각각 23.8%, 9.5% 개선된 전기적 특성을 가졌다. 이 학위 논문에서는 인공 신경망을 낸드 플래시 메모리에 적용하여 전기적 특성을 예측하는 것뿐만 아니라 목표한 전기적 특성을 갖도록 소자를 설계했다. 그 결과 제한된 매개변수 범위 내에서 짧은 시간 안에 개선된 특성을 갖는 셀 구조를 제시했다. 이러한 연구 결과는 낸드 플래시 기술 개발에 인공 신경망이 적용된 하나의 방법을 제안하고 공정 기술자들이 소자를 개발하는데 도움이 될 것이다.

We trained a neural network (NN) to predict the threshold voltage with a three-dimensional (3D) NAND Flash cell structure and the NAND Flash cell structure is optimized to have improved program efficiency using the pre-trained NN and numerical method. NAND Flash memory uses an incremental step pulse programming (ISPP) method for efficient programming. In general, it is suitable for a program when it has a high and constant ISPP slope, but it is difficult to design a device to have a target electrical characteristic. To solve this problem, we conducted research on designing devices according to the targeted electrical characteristics using artificial intelligence (AI) technology. First, 3D NAND flash cell structure was implemented using TCAD to obtain massive data to be used for learning. And we designed the 3D NAND flash cell by using TCAD simulation tool and calibrated it with the measured data to have a threshold voltage and ISPP slope similar to the measured data. After setting the range of each parameter based on the calibrated cell structure, cell structures were randomly generated and electrical characteristics were obtained using TCAD simulation. A forward model was designed to learn the relationship between the NAND cell structure and the threshold voltage using MATLAB. A multilayer perceptron (MLP) was used to learn the complex relationship between various cell structure parameters and threshold voltage. As a result, the neural network prediction of each structure was predicted almost similar to the actual value (<10% error), and it took only about 30 seconds to learn once. Next, we designed a backward model that optimizes the NAND cell structure to have the aimed electrical characteristics using the pre-trained NN and numerical methods. The loss function used for optimization was designed to have a high, constant ISPP slope, and three coefficients were applied to the loss function to adjust the optimization direction. In addition, process variations were applied to the optimized structure with the best performance in the optimized performance and compared with the measured data. As a result, it was confirmed that the optimization result changed as intended as the coefficient changed, and the optimization process took only about 40 seconds once. Among the optimization results obtained by varying the coefficient, the cell structure with the best performance has improved electrical characteristics by 24.6% in the threshold voltage, and by 11.6% in the saturation section of ISPP slope compared to the cell structure calibrated with the hardware measurement data. In addition, the randomly simulated electrical properties of cell structure within the process variation range had improved electric characteristics by 23.8% in the threshold voltage and by 9.5% in the saturation section of ISPP slope compared to the measured data on average. In this study, an artificial intelligence technology is applied to a NAND flash memory to not only predict electrical characteristics but also design a device to have targeted electrical characteristics. As a result, we proposed a cell structure with improved properties in a short time within a limited parameter range. These research results suggest a method in which artificial neural networks are applied to the development of NAND flash technology and can help device engineers develop devices.