Low-Frequency Noise in Hafnia-Based Ferroelectric Devices = 하프니아 기반 강유전체 소자의 저주파 잡음|RISS 상세보기

다국어 초록 (Multilingual Abstract)

Modern electronic devices underpin nearly every aspect of daily life, with their functions recently expanding from simple data storage to acting as artificial synapses in neuromorphic systems. As electronic devices scale down in size, low-frequency noise (LFN) has emerged as a critical issue limiting both performance and reliability. Although LFN has traditionally been viewed as detrimental, this study re-examines this perspective and demonstrates how intrinsic noise in hafnium oxide-based ferroelectric memories can serve as (i) a powerful tool to understand device physics, (ii) a means to optimize device performance, and (iii) a valuable resource for enabling novel computational functions.
Ferroelectric tunnel junctions (FTJs) and ferroelectric field-effect transistors (FeFETs) fabricated with HfO2 thin films were systematically analyzed using LFN spectroscopy. Power spectral density analysis enabled clear differentiation among Poole–Frenkel emission, interface-trap–assisted tunneling, and barrier-height fluctuation mechanisms. Furthermore, the same noise-based approach allowed quantitative discrimination between ferroelectric resistive switching (FE-RS) and non-ferroelectric resistive switching (Non-FE-RS) within a single device. Our findings reveal that the tunneling electroresistance ratio (TER) in FTJs is governed not only by remnant polarization but also significantly influenced by interface and bulk trap states. This insight provides concrete guidelines for optimizing process conditions and programming voltages.
Building on these insights, we propose an adaptive read-bias (ARB) strategy designed to minimize the influence of intrinsic device noise on neuromorphic system performance rather than suppressing the noise itself. By tailoring read voltages according to layer-specific noise sensitivity, ARB reduces power consumption by 61%, increases integration density by 92%, and maintains accuracy degradation below 3%, all without requiring additional correction circuitry.
Finally, we demonstrate a voltage-controlled noise injection layer (FTJ-NIL) that converts intrinsic device LFN into a hardware-level data augmentation engine. Applied to real-world datasets, including medical signals, the FTJ-NIL approach delivers up to a 13-percentage-point improvement in classification accuracy.
The noise-focused characterization techniques, mitigation methods, and computational approaches introduced in this study reposition device noise from a limitation into a strategic design asset. These principles offer a practical route toward developing next-generation low-power, high-density, and high-performance electronic systems, and they are broadly applicable beyond ferroelectric memories to other emerging electronic devices exhibiting pronounced LFN.

번역하기

국문 초록 (Abstract)

전자소자가 일상생활 전반에 걸쳐 필수적인 역할을 해온 가운데, 최근에는 단순한 데이터 저장을 넘어 시냅스 특성을 모사하여 뉴로모픽 시스템을 구현하는 핵심 부품으로까지 활용 범위가 확장되고 있다. 전자 소자가 소형화됨에 따라 증가하는 저주파 잡음(Low-Frequency Noise, LFN)은 소자의 성능과 신뢰성에 큰 영향을 미친다. 일반적으로 이러한 LFN은 소자 및 회로의 동작 성능을 저해하고 시스템 신뢰성을 낮추는 해로운 요소로 간주되어 왔다. 그러나 본 연구에서는 이러한 기존 관점을 재검토하여, 강유전체 기반 메모리 소자에서 나타나는 저주파 잡음을 소자 동작 메커니즘을 이해하는 도구이자 성능 개선 방법, 나아가 새로운 연산 기능 구현에 활용 가능한 유용한 자원으로 제안한다.
본 연구에서는 하프늄 산화물(HfO2)을 이용한 강유전체 메모리 소자(FTJ 및 FeFET)를 제작하고, 저주파 잡음 스펙트럼 분석법을 통해 소자 동작 메커니즘을 체계적으로 규명하였다. 전력 스펙트럼 밀도 분석으로 Poole–Frenkel 방출, 계면 트랩 기반 터널링, 장벽 높이 변동 현상을 명확히 구분하였으며, 저주파 잡음 스펙트럼 분석법을 통해 강유전체 저항 전환(FE-RS)과 비강유전 저항 전환(Non-FE-RS)을 동일 소자 내에서 정량적으로 분리·판별하였다. 그 결과 강유전체 터널 접합 소자의 TER은 잔류 분극뿐 아니라 계면·벌크 트랩 상태에 의해 좌우됨을 확인하였다. 이와 같이 노이즈 기반 분석법으로 FE-RS와 Non-FE-RS의 기여도를 구분함으로써, 열처리 조건과 프로그래밍 전압 등 공정·구동 파라미터 최적화를 위한 구체적 설계 지침을 제시할 수 있었다.
다음으로, 앞선 메커니즘 이해를 바탕으로 소자의 잡음 자체를 줄이기보다, 잡음이 뉴로모픽 시스템 성능에 미치는 영향을 최소화하는 새로운 접근법을 제안하였다. 본 연구의 적응형 읽기 바이어스(Adaptive Read-Bias, ARB) 기법은 신경망 각 층의 잡음 민감도에 따라 읽기 전압을 계층별로 최적화함으로써, 소비 전력을 약 61 % 절감하고 집적도를 약 92 % 향상시키면서도 정확도 저하를 3 % 미만으로 유지하였다. 이로써 소자 간 변동성과 반복 사이클 변동성을 동시에 억제하며 추가 보정 회로나 별도 하드웨어 없이 현실적인 적용 가능성을 입증하였다.
마지막으로, 저주파 잡음을 적극 활용하기 위해 전압 제어형 강유전체 기반 잡음 주입 층(Noise Injection Layer, FTJ-NIL) 을 구현하였다. 해당 층은 소자 내 고유 잡음을 이용해 하드웨어 수준에서 데이터 증강을 수행하며, 의료 데이터를 포함한 다양한 실세계 데이터 분류 뉴로모픽 시스템에서 최대 13 %p의 정확도 향상을 달성하였다.

본 논문에서 제안된 저주파 노이즈 기반 강유전체 소자 분석 기법, 잡음 영향 완화 방법, 그리고 잡음을 활용한 새로운 연산 개념은 지금까지 부정적으로만 인식돼 온 소자 잡음의 연구 방향성을 전환하여 차세대 저전력·고집적·고성능 전자 시스템 설계를 위한 또 하나의 설계 방법론을 제공한다. 본 연구 결과는 강유전체 메모리뿐만 아니라 기타 차세대 메모리 소자 및 전자 시스템에도 폭넓게 적용 가능한 유연한 설계 지침이 될 것이다.

번역하기

전자소자가 일상생활 전반에 걸쳐 필수적인 역할을 해온 가운데, 최근에는 단순한 데이터 저장을 넘어 시냅스 특성을 모사하여 뉴로모픽 시스템을 구현하는 핵심 부품으로까지 활용 범위가...

목차 (Table of Contents)