http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
The Impact of Leverage on the Investment of Korean Firms
하종현 산업연구원 2019 산업연구(JIET) Vol.3 No.1
This paper examines the impact of leverage on Korean firms’ investment behavior. In order to analyze the impact, it uses data from listed Korean companies in the manufacturing industry. Furthermore, this paper takes advantage of a dynamic panel threshold model to identify the threshold point of the factors that affect the firm's investment. This paper utilizes first-differenced GMM, allowing regressors and threshold variable to be endogenous. This leads to the empirical results in the divided regimes based on the thresholds. The empirical results show that firm leverage has a negative relation to investment. It implies that the high debt induces firms’ underinvestment
이중관형 버블 유동층 반응기를 이용한 목질계 바이오매스의 급속 열분해 특성
하종현,양제복,이인구 한국공업화학회 2014 한국공업화학회 연구논문 초록집 Vol.2014 No.1
최근 화석연료 고갈의 우려와 환경문제로 인하여 신재생에너지의 생산 및 이용 기술에 대한 관심이 크게 증가하고 있다. 특히 우리나라는 2030년까지 신재생에너지 보급률을 1차 에너지의 11%까지 높이고, 신재생에너지의 30%를 바이오에너지로 구성하는 목표를 갖고 있다. 이러한 목표를 달성하기 위해서는 가장 풍부한 바이오매스인 목질계 바이오매스로부터 에너지 생산기술을 개발, 보급할 필요가 있다. 본 연구에서는 이중관형 버블 유동층 반응기에서 목질계 바이오매스의 급속 열분해를 통한 바이오오일 생산에 미치는 반응온도(400~500°C)와 원료투입속도(0.8~1.8 kg/h) 영향을 조사하였다. 기타 운전조건으로 원료는 20~40 mesh 크기의 톱밥을, 운반가스는 15 L/min 질소를, 유동화매질은 20~35 mesh의 모래를 이용하였다. 바이오오일, 바이오촤, 그리고 생성가스의 수율은 각각 48~62wt.%, 21~26 wt.%, 12~30 wt.% 범위이었으며, 이들의 저위발열량은 각각 17MJ/kg, 25 MJ/kg, 5 MJ/kg로 나타났다. 생성가스 구성성분은 CO>CO<sub>2</sub>> CH<sub>4</sub>순으로 많았다.
하종현,방민지,이다복,서민기,류민상,김정식 대한전자공학회 2024 전자공학회논문지 Vol.61 No.4
Planar 형태의 NAND Flash memory의 Scaling down의 한계로 3D Vertical Silicon-Oxide-Nitride-Oxide-Silicon (SONOS) NAND가 개발되었다. 3D Vertical SONOS NAND로 한정된 크기의 wafer에서 많은 transistor를 적층하여 planar type보다 더 많은 memory capacity를 확보할 수 있다. 하지만 vertical 구조로 변경되면서 공정 난이도 상승과 함께 공정에 소모되는 비용이 증가했다. 그래서 공정에 투입되는 비용을 줄이고 소자의 전기적 특성을 빠르고 정확하게 예측하는 기술의 필요성이 대두되었다. 본 논문에서는 TCAD simulation과 딥러닝을 통해 3D Vertical SONOS NAND의 polysilicon grain boundary distribution (Max-angle, Ycut, Xseed, Yseed, Aseed)과 geometrical variation (Width, Lcg)에 따른 전기적 특성 (Vtgm, Vti) 변동을 예측하고 분석했다. TCAD simulation 결과값을 바탕으로 학습한 딥러닝을 통해 전기적 특성을 예측했고 매우 높은 수치의 R2 score (Vtgm R2 score = 0.997, Vti R2 score = 0.999)로 TCAD simulation 결과값에 수렴한다는 것을 알 수 있다. 또한 SHapley Additive exPlanations (SHAP) value를 통해 input parameter의 중요도를 평가한 결과 Ycut과 Xseed parameter가 전기적 특성 변동에 가장 많은 영향을 준 것을 확인했다. 3D Vertical Silicon-Oxide-Nitride-Oxide-Silicon (SONOS) NAND was developed as a solution to the scaling down of planar-type NAND Flash memory. With 3D Vertical SONOS NAND, it is possible to stack many transistors on a limited-size wafer to secure more memory capacity than the planar type. However, with the change to the vertical structure, the cost of the process has increased along with the increase in process difficulty. Therefore, there is a need for a technology that reduces the process's cost and predicts the device's electrical characteristics quickly and accurately. In this paper, we used TCAD simulation and deep learning to predict and analyze the variation of electrical characteristics (Vtgm and Vti) of 3D Vertical SONOS NAND due to polysilicon grain boundary distribution (Max-angle, Ycut, Xseed, Yseed, Aseed) and geometrical variation (Width, Lcg). The electrical characteristics were predicted using deep learning trained based on TCAD simulation results and converged to TCAD simulation results with very high R2 scores (Vtgm R2 score = 0.997, Vti R2 score = 0.999). We also evaluated the importance of the input parameters through the SHapley Additive exPlanations (SHAP) value. We found that the Ycut and Xseed had the most influence on the variation of electrical characteristics.
심층신경망을 이용한 Nanowire FETs의 공정 조건 특성 예측
하종현(Jonghyeon Ha),이경엽(Gyeongyeop Lee),서민기(Minki Suh),방민지(Minji Bang),김태형(Tae Heoung Kim),김정식(Jungsik Kim) 대한전자공학회 2022 전자공학회논문지 Vol.59 No.12
FinFET(Fin Field Effect Transistor) 이후 차세대 logic 반도체 GAAFET (Gate All Around Field Effect Transistor)인 NWFET (Nanowire FET) 그리고 NSFET (Nanosheet FET)이 주목받고 있다. 우수한 성능을 지닌 GAAFET은 이전 logic 반도체들보다 매우 높은 수준의 공정 난이도를 지닌다. 공정 난이도가 높아질수록 개발단계에서 더 많은 공정 시간 및 금액이 발생한다. 이러한 높은 비용이 투입되는 반도체 개발에 머신러닝을 도입하면 더 적은 비용 및 시간으로 공정을 진행할 수 있다. 본 논문에서는 Synopsys 사 TCAD (Technology Computed-Aided Design) Sentaurus tool과 QTX tool을 활용하여 추출한 NWFET dataset을 DNN (Deep Neural Network) 통해 반도체 소자의 parameter 변화에 따른 전기적 특성 변동에 대해 forward prediction 및 reverse prediction 사용하여 예측 및 분석하였다. Forward prediction에서는 낮은 MSE (Mean Square Error) loss 로 예측을 잘 하였지만, reverse prediction 내 D (원의 직경), W<SUB>top</SUB> (사다리꼴 윗변), Shape (Nanowire 모양), Scattering 예측과 달리 cDir (채널 격자 방향) 및 nSubbands (subband의 개수) 예측에서 cDir 및 nSubbands 변화에 따른 전기적 특성 변동 비율이 낮아 분포가 고르게 나타나지 않아 낮은 예측률을 보였다. Since FinFET (Fin Field Effect Transistor), NWFET (Nanowire FET), the next-generation logic semiconductor GAAFET (Gate All Around Field Effect Transistor), and NSFET (Nanosheet FET) have been in the spotlight. GAAFET with excellent performance has a very high level of process difficulty compared to previous logic semiconductors. As the difficulty level of the process increases, more process time and amount of money are generated in the development stage. If machine learning is introduced into such high-cost semiconductor development, the process can proceed with less cost and time. In this paper, the NWFET dataset extracted using Synopsys TCAD (Technology Computed-Aided Design) Sentaurus tool and QTX tool was predicted and analyzed using forward prediction and reverse prediction for the variation of electrical characteristics according to parameter change of semiconductor devices through DNN (Deep Neural Network). Forward prediction is well predicted with low MSE (Mean Square Error) loss, but Unlike the predictions of D (diameter of circle), W<SUB>top</SUB> (top of trapezoid), Shape (Nanowire shape), and Scattering in the Reverse prediction, the rate of change in electrical characteristics because change in cDir (channel direction) and nSubbands (the number of subbands) was low in the predictions of cDir and nSubbands, and thus the distribution was not uniform.