Geri Dön

Characterization and modeling of negative-biastemperature instability in 40 NM CMOS technologythrough long short-term memory (LSTM) networks

Uzun kısa-süreli bellek ağlarıyla (LSTM)40 NM CMOS teknolojisinde negatif-kutuplamasıcaklık kararsızlığının karakterizasyonu ve modellenmesi

  1. Tez No: 833419
  2. Yazar: FİKRET BAŞAR GENCER
  3. Danışmanlar: DOÇ. DR. MUSTAFA BERKE YELTEN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilim ve Teknoloji, Elektrik ve Elektronik Mühendisliği, Science and Technology, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2023
  8. Dil: İngilizce
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Elektronik Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 87

Özet

Bu tezde transistör yaşlanma mekanizmalarından olan ve transistörlerde performans düşümlerine yol açan negatif-kutuplama sıcaklık kararsızlığının(NBTI) bozulma etkileri incelenmiştir. Bu tarz bir yaşlanma etkisi cihazlarda stres ve iyileşme süreci olarak iki ayrı fazda görülmektedir. Böyle bir yapının fiziksel olarak modellenmesi de kök yasasıyla yakınsatıldığı için veri güdümlü bir modelleme tekniği ile yapay sinir ağlarından zaman serisi modellemesine daha uygun olan uzun kısa-süreli bellek (LSTM) ağları kullanılıp modelleme yapılmıştır. Negatif-kutuplama sıcaklık kararsızlığı aslen p-tip transistörlere özgü bir yaşlanma etkisidir. Daha genel olarak kutuplama sıcaklık kararsızlığı hem p-tip hem de n-tip mosfetlerde görülür. N-tip transistörlerde pozitif-kutuplama sıcaklık kararsızlığı olarak da görülür ancak p-tip transistörlerde ötürü etkisi daha ön planda olmaktadır. Bu mekanizma p-tip transistörlerin yüksek sıcaklıklarda çalıştığı durumlarda yüksek negatif kapı gerilimine maruz kaldıklarında görülmektedir. Üretimden kalan hatalar, pozitif yüklü deliklerin dielektrik bölgede yakalanması ve negatif gerilimden ötürü arayüz durumlarının oluşması gibi nedenler NBTI için başlıca sebepler olarak gösterilebilir. Bu istenmeyen bozulma getirdiği yan etkiler ile transistör savak akımının düşmesi, eşik geriliminin artması gibi durumlara sebep olur. Derin öğrenme algoritmalarından olan yapay sinir ağları transistör modellemelerinde kullanılabilmektedir, çünkü laboratuvar ortamında güvenli koşullarda toplanan veriler sayesinde transistör karakteristik eşitliklerinden yola çıkıp fiziksel bir model ortaya koymak yerine daha farklı olarak veri temelli bir modelleme sunulabilir. Bu bilgiler doğrultusunda bahsedilen bu tarz bir yaşlanma etkisinin modellenebilmesinin derin öğrenme metodlarıyla yapılabilmesi için stres süresini içinde barındıran zaman faktörünün de gözardı edilmemesi gerekir. NBTI etkisinin gözlemlenmesinde zamansal olarak belirli zaman aralıklarıyla alınan ölçümler birbirleriyle ilintili oldukları için, modellemenin yapıldığı yapay sinir ağı algoritması buna uygun olmalıdır. Bu sebepten uzun kısa-süreli bellek ağları bu kapsamda kullanılmıştır. Bu ağlar tekrarlayan yapay sinir ağı(RNN) kategorisinde yer almakta ve RNN ile geliştirilen ağların öğrenme süreçlerinde yaşadığı gradyan kaybolması problemine çözüm olarak geliştirilmiştir. LSTM ağları RNN ağlarına uzun dönem bellek mekanizması getirerek birim hücre yapısını değiştirir ve böylece eğitim sürecinde ortaya çıkabilecek olan uzun dönemde hatırlanması gereken bilgilerin etkilerinin yavaş yavaş sönmesiyle ortaya çıkan gradyan kaybolması problemiyle karşılaşmaz. Bunların yanında temel olarak RNN yapılarının sağladığı zaman serisi girdi alma ve bunlardan motifleri öğrenip sonrasında uygun öngörülerde bulunma gibi konularda kullanılır. Bu tarz girdilerde çalışabildikleri için NBTI problemi de aslında bir zaman serisi problemine dönüştürülüp modellenebileceği için bu çalışmada kullanılmıştır. Bu tez kapsamında NBTI karakterizasyonu ve modellenmesi için öncelikle otomatize bir deney düzeneği ve çalışmanın bağlı olduğu TÜBİTAK projesi kapsamında geliştirilen özel test yongaları kullanılmıştır. Bu geliştirilen yongalar ve sonradan haricen kullanılabilmeleri için geliştirilen devre kartı sayesinde yongalar uygun stres koşullarına maruz bırakılabilmektedir. Özel olarak tasarlanmış bu yapılarda 32 adet RF, 32 adet de normal MOSFET olmak üzere 64 ayrı transistör bulunmaktadır. Bu 32 transistörün yarısı n-tip transistor kalan yarısı da p-tip transistör olarak ayrılmaktadır. 16 transistörün her biri kendi içerisinde farklı boyutlardadır ancak birbirlerinin eşleniği olan n-tip ve p-tip transistörler aynı boyutlarda bırakılmıştır. Bu 32 adet transistörün ölçüm sürecinde birbirlerininden bağımsız bir şekilde kontrol edilebilmesi ve ölçümüm yapılabilmesi için bütün transistörlerin terminallerin yonga dışına çıkarılması gerekir ancak böyle bir durum maliyet yaratacağından ötürü adreslenebilir lojik devreler sayesinde istenilen transistöre erişebilen bir yapı kullanılmıştır. Bu yapı giriş katmanında dekoder bulundurup istenilen giriş adresini uygun çıkışları lojik-1 veya lojik-0 seviyesine getirerek önünde yer alan 32 adet çoklayıcıya gönderir. Çoklayıcılar ise girişlerine uygulanan işaretlere karşılık olarak transistörlerin hepsini açıp kapatabileceği gibi tekli modu kullanıp çıkışlarının bağlı olduğu 32 adet anahtar yapılarını açar ya da kapatır. Bu anahtar yapıları kapı terminallerine bağlı oldukları terminalleri kapatarak transistörü kullanılmıyor konumununa getirir ve böylece yonga çıkışına aktarılan savak, kaynak ve kapı terminalleri paralel bağlı olan bu 32 transistör dışarıdan beslenebilir ve akım değeri okunabilir hâle gelir. Kullanılan test düzeneği içinde farklı endüstriyel ölçüm aletlerini barındırmakta ve bunların kontrollerinin bir bilgisayar programıyla yapılmasına olanak sağlamaktadır. Bu elemanlardan her biri ilgili oldukları birimlerle farklı haberleşme protokolleri kullanarak iletişime geçer ve programın genel bütünlüğü LabVIEW ortamında sağlanır. İlk olarak LabVIEW ortamında uygun ölçüm standartları belirlendikten sonra ölçüm süresi, ne kadar ölçüm alınacak, hangi transistörlerden ölçüm alınacağı gibi istenilen girdiler belirlenir. Sonrasında ise uygulanacak stres ortamına bırakılan transistörlerden duruma göre ölçüm almaya başlanır. Ölçümlerde test yongasında yer alan 4 ayrı p-tip transistör kullanılmıştır. Bu transistörlerin boyutları özel olarak seçilmiştir. İlk iki transitör aynı kanal uzunluğuna sahipken birisinin kanal genişliği diğerinin iki katıdır. Diğer iki transistörde ise kanal uzunluğu seçilen ilk iki transistörün iki katıyken kanal genişlikleri arasındaki oran yine iki olarak seçilmiştir. Ölçümler akım-gerilim şeklinde hem savak-kaynak gerilimi hem de kapı-kaynak gerilimi değiştirilerek toplanmıştır. Bu ölçümler ilk olarak oda koşullarında yapılmıştır. Sonrasında ise sadece ortam sıcaklığı yükseltilerek tekrar ölçüm alınmıştır. Bundan sonra ise sıcaklık yüksek seviyede tutulup bir de negatif kapı gerilimiyle beslenen transitörlerde NBTI etkisinin gözlenmesi amaçlanmıştır. Transistörler belirli süre aralıklarda negatif gerilime maruz bırakılmış ve sonrasında ise belirli bir süre geçici iyileşme sürecine girmeleri beklenmiştir. Bu adım 5 defa olmak üzere farklı stres ve farklı geçici iyileşme süreleriyle tekrarlanmıştır. Son stres gerilimi üzerinde ise geçici iyileşme beklenmeyip art arda ölçümler belirli aralıklarla alınmıştır. Bu sayede 5 farklı stres sürecinde ve son aşamada 13 farklı iyileşme ölçümüyle toplamda 18 sekans karakteristik ölçüm ölçüm başına 50 ayrı nokta olmak üzere bahsedilen yöntemlerle verisetine kaydedilmiştir. Toplanan ölçümler sonrasında NBTI karakteristiği grafiklerde gözlenmiş olup tezin ölçüm sonuçları bölümünde bahsedilmiştir. Bu bağlamda yukarıda bahsedilen transistörün başarımının düşmesinde etkin rolü olan NBTI, transistörün yüksek süreli strese maruz kalmasından sonra eşik gerilimin artmasına ve mobilitenin düşmesine ve bunlara bağlı olarak da akım değerlerinde düşme yaşanmasına neden olmaktadır. Burada bahsedilecek detaylardan birisi ise aslında toplamda bir transistör için ayrı ayrı 20 sekans ölçüm bulunmaktadır. Bu ölçümler oda sıcaklığı ile başlamakta, sonrasında sıcaklığın arttığı ve sıfır-zamanı olarak adlandırılan ölçüm olmaktadır. Bu aşamada sıcaklığın artması sebebiyle transistörün eşik geriliminde beklenen bir düşme görülür. Sonrasında ise kapı-kaynak geriliminin yükselmesiyle transistör NBTI etkisinde bahsedilen yaşlanma etkilerine maruz kalır. İyileşme sürecinde ise cihaz geri dönebileceği akım değerlerine dönmeye çalışmakta ancak bu etki uzun süreler sonrasında geri dönülemez bir şekilde silikonda kalıcı yüklerin birikmesine yol açmaktadır. Bahsedilen ölçümlerin toplanması, detaylı analizleri sonucunda uygun görülen modeli oluşturmak için ilk olarak veriler uygun sekanslarda ayrılmıştır. LSTM gibi bir ağ yapısının kullanılabilmesi için veri iki ayrı türde girdi olarak verilebilmektedir. Bunlardan ilki verileri zaman serisi problemi şeklinde düşünüp uygun düşen parametreleri giriş uzayında birbirleriyle örtüşen ve kayan pencerelerle ifade etmek, diğeri ise verisetinde bulunan verilerden her birini ayrı zamanda alınmış veriler şeklinde düşünüp sekanslar hâlinde birer birer uygulamaktır. Her iki yöntemin de kendi için modelin eğitilmesine sundukları katkılar olduğundan ötürü iki farklı ayrıştırma yöntemi de kullanılıp karşılaştırma yapılmıştır. İlk olarak kayan pencereler yöntemin akımı yüksek başarılarla tahmin eden bir model yapabilmek için akımın geçmiş değerleri ve bu değerlerdeki gerilimler, stres gerilimi, stres süresi gibi parametreler girdilerde yer almış ve belirli bir adım sonraki akım değeri tahmin edilmeye çalışılmıştır. Öte yandan bahsedilen diğer yöntemde akım verisi sadece çıkış uzayında kullanılıp giriş uzayında akım harici o akımın elde edilmesini sağlayan öznitelikler kullanılmıştır. Bu girdilerle birlikte model eğitilmiş ve buralarda ortalama karekök hatası gibi modelin öngörü yeteneğini belirten makine öğrenmesi hata teknikleri kullanılmıştır. Ölçüm düzeneğinden toplanan veriler ve gerçekleştirilen modelleme doğrultusunda, bu çalışmada LSTM yapılarının NBTI gibi yaşlanma etkilerini modellemekte başarılı olduğu ortaya koyulmuştur. Geliştirilen model sayesinde cihazların daha önce maruz kalmadığı stres süreleri tahmin edilmiş ve bunlar daha önceki gördüğü verilere kıyasla beklenen sonuçlar olarak gözlemlenmiştir. Bunun yanısıra iyileşme sürecinin de optimize edilmesi kısa süreli bir problem hâlini alır çünkü iyileşmenin tam olarak ne zaman olacağı model sayesinde keşfedilebilmektedir. Bu tarz başarımlar sayesinde üreticilerin geliştirdiği transistörlerin böyle bir model ile farklı durumlara karşı nasıl davranış verebileceği ortaya koyulabilir. Çıktılardan bir diğeri ise geliştirilen modelin farklı gerilim, sıcaklık, stres süresi gibi durumlara tahmin yetenekleri ile bir devre işletim programına uygun biçimde aktarılarak NBTI farkındalığını taşıyan ve buna göre önlem alan tasarımlar geliştirilerek modelleme farklı alanlarla kullanılabilir.

Özet (Çeviri)

In this thesis, the time-based degradation effect of the negative-bias temperature instability (NBTI) phenomenon, which is one of the aging mechanisms in transistors, is investigated. This type of aging effect is seen in two separate phases of the stress and recovery process. The time-series nature of the problem suggests using a model capable of predicting temporal changes. Thus, long short-term memory (LSTM) networks have been used to model NBTI aging effect. Negative-bias temperature instability is essentially an aging effect specific to p-type transistors. More generally, bias temperature instability occurs in both p-type and n-type metal-oxide-semiconductor field-effect-transistor (MOSFETs). It is also seen as positive-bias temperature instability in n-type transistors, yet its effect is more prominent in p-type transistors. This mechanism is seen when p-type transistors operate at high temperatures and are exposed to high negative gate voltages. Manufacturing defects, trapping of positively charged holes in the dielectric region, and the formation of interface states due to negative voltage can be shown as the main reasons for NBTI. The result could bring side effects such as a decrease in the transistor drain current and an increase in the threshold voltage. In deep learning, artificial neural networks can be used for transistor modeling because data-driven modeling can be presented instead of revealing a physical model based on the transistor characteristic equations. In order to model aging effects with deep learning methods, stress periods should not be ignored, which is directly related to the temporal nature of aging. Since the measurements taken at certain time intervals in the observation of the NBTI effect are related to each other, the artificial neural network algorithm should be suitable for this. For this reason, long-short-term memory networks have been used in this study which is under the category of recurrent neural networks (RNN), and have been developed as a solution to the vanishing gradient problem experienced by networks developed with RNN during learning processes. LSTM networks change the unit cell structure by introducing a long-term memory mechanism to RNN networks, and thus, they do not encounter the problem of vanishing gradient, which occurs when the effects of the information that needs to be remembered in the long-term may arise during the training process. In addition, it is mainly used in studies such as taking time series inputs while training for pattern recognition and prediction. The working mechanism of LSTM is suitable since the NBTI problem can actually be transformed into a time series problem. In this thesis, an automated setup and special test chips developed within the scope of the TÜBİTAK project were used for NBTI characterization and modeling. Thanks to these developed chips and the circuit board, the chips can be exposed to appropriate stress conditions. In these specially designed structures, there are 64 separate transistors, 32 of which are RF and 32 of which are normal MOSFETs. Half of these 32 transistors are allocated as n-type transistors, and the remaining half as p-type transistors with different transistor sizes. The test chip structure contains a decoder in the input layer and sends the desired input address to the 32 multiplexers, which can turn all of the transistors on and off in response to the signals applied to their inputs, as well as open or close the 32 switch structures. These switch structures control these 32 transistors whose drain, source, and gate terminals are connected in parallel to the chip output, can be biased externally, and the current value can be measured. The test setup contains different industrial measuring instruments and enables them to be controlled with a computer program developed in the LabVIEW environment. After the appropriate measurement standards are determined in the LabVIEW environment, the desired inputs, such as the measurement time, how many measurements will be taken, and which transistors will be measured, are determined. Afterward, measurements are started from the transistors left to the stress environment to be applied, depending on the situation. In the measurements, 4 different p-type transistors in the test chip were used. The measurements were collected by changing both the drain-source voltage and the gate-source voltage in the form of the current-voltage relationship. These measurements were first made under room conditions. Afterward, only the environment temperature was increased. After that, it is aimed to observe the NBTI effect with the negative gate voltage while keeping the temperature at a high level. The transistors were exposed to the negative voltage at certain intervals, and then they were expected to enter a temporary recovery period for a certain period of time. This step was repeated 5 times with different stress and different temporary recovery measurements. On the last stress measurement, temporary recovery was not waited to end, and measurements were taken at regular intervals. In this way, a total of 18 sequence characteristic measurements, 50 points per measurement, with 13 different recovery measurements in 5 different stress processes, were recorded in the dataset with the aforementioned methods. As a result of the collection and detailed analysis of the mentioned measurements, the data were first separated into appropriate sequences in order to create the appropriate model. In order to use a network structure such as LSTM, data can be given as two different types of input. The first of these is to think of the data as a time series problem and to express the appropriate parameters with overlapping and sliding windows in the input space, and the other is to consider each of the data in the dataset as data taken at a separate time and apply them one by one in sequences. Since both methods have their own contributions to the training of the model, two different decomposition methods were used. Firstly, in order to make a model that predicts the current with the high success of the sliding windows method, the past values of the current and the parameters such as terminal voltages at these values, stress voltage, and stress duration are included in the inputs, and the drain current value after a certain step is tried to be estimated. In the other method mentioned, the transistor current data is used only in the output space, and the features that allow obtaining that output are used in the input space. With these inputs, the model was trained with monitoring machine learning error techniques. such as root mean square error. In conclusion, the collected dataset and the modeling have been demonstrated as LSTM structures that are successful in modeling aging effects, such as NBTI. Thanks to the developed model, the stress times that are unseen to the model were estimated, and these were observed as expected when compared to the previous data. In addition, optimizing the recovery process becomes a short-term problem because it is possible to discover exactly when the recovery will occur thanks to the model. With these achievements, it can be revealed how the transistors developed by the manufacturers can respond to different situations with such a model. Another output is that the model can be used in different areas by developing designs that are NBTI-aware and taking precautions accordingly by transferring the developed model to a circuit simulation program.

Benzer Tezler

  1. Characterization of time-based degradation effects and machine learning-based modeling of hot carrier injection in 40 NM CMOS transistors

    40 NM CSMOS transistörlerde sıcak taşıyıcı enjeksiyonunun zaman bazlı bozulma etkilerinin karakterizasyonu ve makine öğrenimine dayalı modellenmesi

    XHESİLA XHAFA

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MUSTAFA BERKE YELTEN

  2. Bitkisel kesme sıvılarının bileşim-özellik bağıntılarının modellenmesi

    Modeling of the composition-property relationships of vegetable-based metal working fluids

    FİLİZ DOLAPCI

    Yüksek Lisans

    Türkçe

    Türkçe

    2010

    Kimya MühendisliğiGebze Yüksek Teknoloji Enstitüsü

    Kimya Mühendisliği Ana Bilim Dalı

    PROF. DR. MAHMUT RAHİM BAYRAMOĞLU

  3. Fabrication and characterization of negative curvature hollow core polymer optical fibers for near-infrared light guidance

    Yakın kızılötesi ışık yönlendirmesi için dışbükey hollow core polimer optik fiberlerin üretimi ve karakterizasyonu

    MAHMUDUR RAHMAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Makine Mühendisliğiİhsan Doğramacı Bilkent Üniversitesi

    Malzeme Bilimi ve Nanoteknoloji Ana Bilim Dalı

    DOÇ. DR. ENGİN DURGUN

    DR. MUSTAFA ORDU

  4. Kentsel ısı adalarının (KIA) uydu görüntüleri ile konumsal olarak modellenmesi

    Spatial modeling of urban heat islands (UHI) by using satellite images

    MUSTAFA DİHKAN

    Doktora

    Türkçe

    Türkçe

    2015

    Jeodezi ve FotogrametriKaradeniz Teknik Üniversitesi

    Harita Mühendisliği Ana Bilim Dalı

    DOÇ. DR. FEVZİ KARSLI

  5. Modeling and characterization of current density distributions in the lead acid battery electrodes

    Kurşun asit akü elektrodlarında akım yoğunluk dağılımının modellenmesi ve karakterizasyonu

    ÖNER TOY

    Yüksek Lisans

    İngilizce

    İngilizce

    2019

    Makine MühendisliğiGebze Teknik Üniversitesi

    Makine Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MUSTAFA FAZIL SERİNCAN