Large Language Model for Verilog Code Generation: Literature Review and the Road Ahead
이 논문은 Verilog 코드 생성을 위한 대규모 언어 모델 사용에 관한 102편의 연구를 대상으로 현재의 방법론, 데이터셋 및 정렬 전략을 분석하고, 한계점을 식별하며 자동화된 하드웨어 설계를 발전시키기 위한 향후 연구 로드맵을 제안하는 포괄적인 체계적 문헌 고찰을 제시한다.
원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기
지구상에서 가장 복잡한 기계들의 설계도가 인간의 손이 아닌, 자연어를 읽고 이해하는 컴퓨터에 의해 작성되는 세상을 상상해 보십시오. 이것은 전자 설계의 최전선으로, 엔지니어들이 '베릴로그(Verilog)'라고 불리는 특수 언어를 사용하여 실리콘 칩이 어떻게 동작해야 하는지를 설명하는 분야입니다. 수십 년 동안 이 과정은 결과물인 회로가 올바르게 작동하고, 물리적 공간 제한 내에 들어오며, 과열되지 않도록 보장하기 위해 깊은 전문 지식을 요구하는 세심하고 인간 중심적인 작업이었습니다. 최근에는 거대 언어 모델(LLM)로 알려진 새로운 종류의 인공지능이 이 영역에 진입하기 시작했습니다. 이미 컴퓨터용 소프트웨어를 작성할 수 있는 능력을 입증한 이 모델들은 이제 하드웨어를 설계할 수 있는지 테스트받고 있습니다. 이 일의 이해관계는 매우 높습니다. 칩이 점점 더 정교해짐에 따라 인간의 생산성과 현대 기술의 요구 사이의 간극이 벌어지고 있으며, 이는 스마트폰에서 슈퍼컴퓨터에 이르기까지 모든 분야의 혁신을 늦출 수 있는 병목 현상을 만들어내고 있습니다.
중국, 호주, 싱가포르의 대학 연구진이 2025년에 발표한 종합 검토 보고서는 이 급변하는 지형을 지도화하는 데 목적을 두고 있습니다. 양광(Guang Yang)과 정웨이(Wei Zheng)가 이끄는 저자들은 단순히 몇 가지 최근 실험만을 살펴본 것이 아니라, 이러한 강력한 AI 모델을 베릴로그 코드 생성에 적용한 모든 연구를 찾아내기 위해 수천 편의 학술 논문과 프리프린트를 체계적으로 검색했습니다. 엄격한 필터링 과정을 거쳐, 그들은 2020년에서 2025년 사이에 발표된 102개의 고품질 연구를 선정했습니다. 그들의 목표는 어떤 도구들이 사용되고 있는지, 얼마나 잘 테스트되고 있는지, 어떤 기술이 성능을 향상시키는지, 그리고 결과물이 실제 사용에 충분히 안전하고 신뢰할 수 있는지 이해하는 것이었습니다.
연구진은 이 분야가 불과 몇 년 만에 폭발적으로 성장하여, 2020년 단 한 건의 연구에서 2025년 한 해에만 66편의 논문으로 늘어났음을 발견했습니다. 그들은 이 발전을 주도하는 AI 모델이 두 가지 주요 유형으로 나뉜다는 것을 발견했습니다. 첫 번째 그룹은 이야기나 질문에 답할 수 있는 것과 같은 범용 모델들로, 연구자들은 이를 하드웨어 설계에 적응시키려 노력하고 있습니다. 두 번째 그룹은 방대한 양의 베릴로그 코드에 대해 특별히 학습되거나 미세 조정된 모델들을 포함합니다. 연구자들이 사용할 수 있는 오픈 소스 모델 중에서는 라마(Llama)와 딥시크(DeepSeek) 아키텍처 기반의 제품군이 가장 인기 있는 선택지가 되었으며, 주요 기술 기업의 폐쇄형 소스 모델, 특히 GPT 시리즈가 원시 사용량 측면에서 여전히 지배적입니다. 이 검토는 명확한 추세를 강조합니다. 일반 모델이 코드를 생성할 수는 있지만, 가장 유망한 결과는 하드웨어 설계의 특정 규칙과 논리를 학습한 모델로부터 나온다는 점입니다.
AI가 생성한 설계가 실제로 작동하는지 알기 위해, 연구진은 과학자들이 이를 어떻게 테스트하는지 조사했습니다. 그들은 이 분야가 코드가 단순히 올바른 텍스트처럼 보이는지만을 보는 단순한 체크 방식에서 벗어나고 있다는 것을 발견했습니다. 대신, 가장 신뢰할 수 있는 연구들은 생성된 코드가 의도한 대로 정확하게 동작하는지 확인하기 위해 자동화된 시뮬레이션인 '테스트벤치(testbench)'를 사용합니다. 이 검토는 수십 개의 이러한 테스트 데이터셋을 분류하며, 많은 데이터셋이 여로 여전히 작지만, 가장 우수한 것들은 상세한 지침과 검증된 솔루션을 포함한 수천 개의 사례를 포함하고 있다고 언급했습니다. 중요한 발견은 이러한 모델을 훈련시키는 데 사용되는 데이터의 품질이 모델 자체만큼 중요하다는 것입니다. 연구자들은 코드를 포함할 뿐만 아니라 추론 단계와 하드웨어의 특정 제약 조건을 포함하는 데이터셋을 점점 더 많이 구축하고 있으며, 이를 통해 AI가 단순히 텍스트를 예측하는 것이 아니라 엔지니어처럼 생각하도록 가르치고 있습니다.
또한 이 논문은 연구자들이 모델을 개선하기 위해 사용하는 방법들을 상세히 설명합니다. 어떤 접근 방식은 모델을 전혀 변경하지 않고도, 대신 영리한 프롬프트 기술을 사용하거나 설계를 확정하기 전에 표준 엔지니어링 도구를 기준으로 AI가 자신의 작업을 스스로 점검하도록 요청합니다. 다른 방법은 모델을 특수 데이터로 추가 학습시키거나, 모델이 엄격한 테스트를 통과하면 보상을 받고 오류를 범하면 벌칙을 받는 '강화 학습'이라는 기술을 사용하는 것을 포함합니다. 이 검토는 이러한 전략들을 결합하는 것, 특히 설계하는 에이전트, 점검하는 에이전트, 최적화하는 에이전트 등 여러 AI 에이전트가 함께 협력하게 하는 것이 최선의 결과를 낸다고 제안합니다. 그러나 저자들은 이러한 개선에도 불구하고 기술이 아직 완벽하지는 않다고 경고합니다. 모델들은 여전히 하드웨어의 복잡한 병렬적 특성에 어려움을 겪고 있으며, 때때로 겉보기에는 맞지만 실제로 제작했을 때는 실패하는 코드를 생성하기도 합니다.
아마도 가장 중요한 것은, 이 검토가 설계 과업을 AI에게 넘기는 것과 관련된 위험을 다룬다는 점입니다. 연구진은 현재의 연구들이 보안, 효율성 및 저작권을 어떻게 다루는지 분석했습니다. 그들은 AI가 숨겨진 취약점을 가진 코드를 생성하거나 지적 재산을 훔치는 것을 방지하기 위해 일부 진전이 있었지만, 이 분야들이 여전히 미개발 상태라는 것을 발견했습니다. 모델들은 때때로 '환각(hallucination)'을 일으켜, 칩이 제조될 때에만 나타나는 논리적 오류를 포함한 그럴듯해 보이는 설계를 만들어내기도 합니다. 저자들은 대규모 언어 모델이 하드웨어를 구축하는 방식을 변화시킬 엄청난 잠재력을 가지고 있지만, 앞으로 나아갈 길은 단순히 더 나은 코드 생성 그 이상을 요구한다고 결론지었습니다. 그것은 물리적 제약을 테스트하는 새로운 세대의 벤치마크, 더 강력한 안전 메커니즘, 그리고 인간 엔지니어가 AI와 밀접하게 협력할 수 있는 도구를 요구합니다. 이 분야의 미래는 인간 설계자를 대체하는 것이 아니라, 안전과 신뢰성을 보장하기 위해 인간 전문가를 루프 안에 둔 채 현대 칩의 복잡성을 처리할 수 있는 지능형 조수를 만드는 데 있다고 그들은 제안합니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.