Skip to main content
QUICK REVIEW

[논문 리뷰] Bias-dependent intrinsic RF thermal noise modeling and characterization of single layer graphene FETs

Nikolaos Mavredakis, Aníbal Pacheco-Sánchez|arXiv (Cornell University)|2021. 04. 23.
Graphene research and applications참고 문헌 46인용 수 9
한 줄 요약

이 논문은 단층 그래핀 FET의 내재 RF 열노이즈에 대해 물리 기반의 단순 모델을 제시하며, 편압 의존성, 속도 포화 및 그래핀의 디그레지드 성질을 고려한다. 이 모델은 피팅 파rameter 없이 광범위한 드레인 전류 범위에서 실험적 드레인 전류 노이즈 스펙트럼 밀도(SID), 초과 노이즈 인자 γ, 내재 노이즈 저항 RnINT을 정확하게 예측하며, 고재료 밀도에서 노이즈의趋세를 보이며, 속도 포화를 忽略할 경우 γ가 30% 정도 과소평가됨을 드러낸다.

ABSTRACT

In this article, the bias-dependence of intrinsic channel thermal noise of single-layer graphene field-effect transistors (GFETs) is thoroughly investigated by experimental observations and compact modeling. The findings indicate an increase of the specific noise as drain current increases whereas a saturation trend is observed at very high carrier density regime. Besides, short-channel effects like velocity saturation also result in an increment of noise at higher electric fields. The main goal of this work is to propose a physics-based compact model that accounts for and accurately predicts the above experimental observations in short-channel GFETs. In contrast to long-channel MOSFET based models adopted previously to describe thermal noise in graphene devices without considering the degenerate nature of graphene, in this work a model for short-channel GFETs embracing the 2D materials underlying physics and including a bias dependency is presented. The implemented model is validated with de-embedded high frequency data from two short-channel devices at Quasi-Static region of operation. The model precisely describes the experimental data for a wide range of low to high drain current values without the need of any fitting parameter. Moreover, the consideration of the degenerate nature of graphene reveals a significant decrease of noise in comparison with the non degenerate case and the model accurately captures this behavior. This work can also be of outmost significance from circuit designers aspect, since noise excess factor, a very important figure of merit for RF circuits implementation, is defined and characterized for the first time in graphene transistors.

연구 동기 및 목표

  • 단층 그래핀 FET의 내재 채널 열노이즈에 대해 편압 의존성과 단층 효과를 고려한 물리 기반 단순 모델을 개발하는 것.
  • 그래핀의 디그레지드 성질이 노이즈 행동에 상당한 영향을 미치므로, 이를 노이즈 모델에 통합하는 것.
  • 두 개의 단층 GFET에서 측정된 탈통합 고주파 S-파ram터 및 노이즈 데이터와의 비교를 통해 모델을 검증하는 것.
  • RF 회로 설계의 핵심 성능 지표인 초과 노이즈 인자 γ를 그래핀 트랜지스터에서 처음으로 정의하고 특성화하는 것.
  • 피팅 파ram터 없이 저전류에서 고전류 영역에 이르기까지 모델의 정확성을 입증하는 것.

제안 방법

  • 2차원 운반자 운반 및 속도 포화를 고려한 그래핀 FET의 화학적 위치 기반 접근을 바탕으로 드레인 전류 노이즈 스펙트럼 밀도(SID)에 대한 단순 분석 모델을 유도한다.
  • 디그레지드 영역(고전자 밀도 및 페르미 수준이 디랙 점에 가까운 영역)을 고려한 편압 의존성 노이즈 파wer 스펙트럼 밀도(PSD) 공식을 제안한다.
  • 내재 열노이즈의 주파수 독립성을 보장하기 위해 준정적(QS) 근사를 적용하여 저주파 노이즈 측정과 직접 비교할 수 있도록 한다.
  • 측정된 S-파라미터에서 내재 Y-파라미터 및 노이즈 데이터를 추출하기 위해 탈통합 기법을 적용하여 모델 검증의 정확성을 확보한다.
  • 전도도 및 애드미ittance 파라미터를 사용하여 실제 노이즈와 최소 가능한 노이즈(열노이즈)의 비율로부터 초과 노이즈 인자 γ를 유도한다.
  • 알루미나 게이트, CVD로 성장시킨 단층 GFET(채널 길이 200 nm 및 300 nm)에서 측정된 실험 데이터를 사용하여 모델을 검증한다. 이는 다양한 VGS 및 VDS 조건에서 수행된다.

실험 결과

연구 질문

  • RQ1단층 그래핀 FET의 내재 열노이즈는 드레인 전류와 재료 밀도가 증가함에 따라 어떻게 변화하는가?
  • RQ2단층 GFET에서의 속도 포화는 고전기장에서 열노이즈 증가에 얼마나 큰 영향을 미치는가?
  • RQ3고재료 밀도 상태인 그래핀의 디그레지드 성질은 비디그레지드 모델 대비 내재 채널 노이즈에 어떤 영향을 미치는가?
  • RQ4물리 기반 단순 모델이 피팅 파aram터 없이 광범위한 편압 조건에서 SID, γ, RnINT을 정확하게 예측할 수 있는가?
  • RQ5그래핀 FET에서의 초과 노이즈 인자 γ의 행동 양상은 어떻게 되며, 기존 MOSFET 모델과 비교해 봤을 때 어떠한가?

주요 결과

  • 내재 드레인 전류 노이즈 스펙트럼 밀도(SID)는 드레인 전류 증가와 함께 증가하며, 고재료 밀도에서 CMOS 장치에서 관찰된 것과 유사한 포화 경향을 보인다.
  • 초과 노이즈 인자 γ는 고드레인 전류 영역(예: EG5의 경우 약 1.8 mA, EG8의 경우 약 1.4 mA)에서 3–4 수준에 도달하여 RF 영역에서의 노이즈 초과를 나타낸다.
  • 모델 분석 결과, 속도 포화를 忽略할 경우 γ의 30% 정도 과소평가가 발생함을 확인하였으며, 이는 단층 효과를 포함하는 것이 중요함을 시사한다.
  • 강한 p형 영역에서 내재 노이즈 저항 RnINT이 증가하며, 이는 모델 예측 및 실험 데이터와 일치한다.
  • 가장 짧은 장치(EG5, L=200 nm)는 더 긴 장치(EG8, L=300 nm)보다 높은 노이즈를 나타내며, 모델은 이 스케일링 행동을 정확히 캐릭터라이즈한다.
  • 모델은 피팅 파aram터 없이 모든 테스트된 편압 조건에서 실험 데이터와 완벽한 일치를 보이며, 물리적 일관성과 예측 능력을 입증한다.

더 나은 연구,지금 바로 시작하세요

연구 설계부터 논문 작성까지, 연구 시간을 획기적으로 줄여보세요.

카드 등록 없음 · 무료 플랜 제공

이 리뷰는 AI가 만들고, 인간 에디터가 검토했습니다.