기술 요약: AUTOSIZER

문제 정의

아날로그 및 혼합 신호 (AMS) 집적 회로의 설계는 특히 트랜지스터 크기 결정 (sizing) 과 관련하여 전자 설계 자동화 (EDA) 에서 여전히 주요 병목 현상으로 남아 있습니다. 이 작업은 고차원 설계 공간, 비선형 회로 동작, 그리고 엄격한 성능 제약 조건을 특징으로 합니다. 베이지안 최적화 (BO), 강화 학습 (RL), 유전 알고리즘과 같은 전통적인 최적화 방법들은 일반적으로 회로를 정적 블랙박스로 취급합니다. 이러한 방법들은 무차별 대입 방식보다 샘플 효율성을 개선해 왔지만, 중간 최적화 역동성에 적응하지 못하거나, 도메인 특화 아날로그 전문 지식을 무시하며, 복잡한 회로에서 희소한 실현 가능 영역을 처리하는 데 어려움을 겪는 경우가 많습니다.

대형 언어 모델 (LLM) 이 과학 분야에서 강력한 추론 능력을 입증해 왔음에도 불구하고, 회로 설계를 위한 기존 LLM 기반 에이전트들은 고정된 최적화 알고리즘과 단일 단계 워크플로우에 의존하는 경향이 있습니다. 이러한 에이전트들은 회로 네트리스트를 해석하고 사전 결정된 전략을 적용하지만, 반복적인 자기 성찰이나 검색 공간 자체의 피드백 기반 정제 과정은 결여되어 있습니다. 결과적으로 이들은 시뮬레이션 결과에 따라 최적화 과정을 동적으로 적응시키는 능력이 부족하여, 다양하고 복잡한 AMS 토폴로지에 걸쳐 견고성이 제한됩니다.

방법론: AUTOSIZER 프레임워크

이러한 한계를 해결하기 위해, 저자들은 AUTOSIZER를 제안합니다. 이는 성찰적이며 LLM 기반의 메타 최적화 프레임워크입니다. AUTOSIZER 는 회로 이해, 적응형 검색 공간 구성, 그리고 최적화 오케스트레이션을 폐쇄 루프의 두 단계 루프 아키텍처로 통합합니다.

1. 두 단계 루프 최적화 아키텍처

이 프레임워크는 내부 루프와 외부 루프를 통해 작동합니다:

• 내부 루프 (수치적 크기 결정): 이 루프는 구성 가능한 최적화 엔진을 사용하여 실제 회로 크기 결정을 수행합니다. 라틴 초입자 샘플링 (LHS), 유전 알고리즘 (GA), 베이지안 최적화 (BO), 시뮬레이션 어닐링 (SA) 을 포함한 여러 알고리즘을 지원합니다. 내부 루프는 사용자가 정의한 사양과 성과 지표 (FoM) 에 대한 회로 시뮬레이션을 통해 후보 설계를 평가합니다.
• 외부 루프 (성찰적 검색 공간 정제): 이 루프는 내부 루프에서의 최적화 이력, 수렴 행동, 그리고 제약 조건 충족 여부를 분석합니다. 이러한 분석을 바탕으로 자기 성찰을 수행하여 검색 공간을 반복적으로 정제합니다. 여기에는 변수 우선순위 조정, 매개변수 범위 확장 또는 축소, 그리고 이전에 고정되었던 변수의 재활성이 포함됩니다.

2. 멀티 에이전트 워크플로우

AUTOSIZER 는 워크플로우의 다양한 단계를 관리하기 위해 전문화된 LLM 에이전트들을 활용합니다:

• 회로 이해 에이전트: 회로 네트리스트와 사용자 사양을 분석하여 토폴로지, 주요 크기 결정 변수, 그리고 그들의 기능적 역할을 식별합니다. 이는 검색을 안내하기 위해 성능 민감도와 트레이드오프 (예: 트랜지스터 폭이 이득 대 전력에 미치는 영향) 를 추론합니다.
• 검색 공간 결정 에이전트: 회로 이해 출력을 활용하여 변수를 우선순위화하고 동적으로 실현 가능한 범위를 할당합니다. 이는 덜 중요한 변수들을 고정하면서 고영향 매개변수에 집중함으로써 검색 공간의 차원을 줄이고 샘플 효율성을 향상시키는 것을 목표로 합니다.
• 최적화 오케스트레이션 에이전트: 현재 단계 (탐색 대 활용), 이용 가능한 시뮬레이션 이력, 그리고 검색 공간 특성에 기반하여 내부 루프에 대한 최적화 알고리즘을 선택하고 구성합니다.

3. 적응형 검색 공간 구성

아날로그 설계 관행에서 영감을 받아, AUTOSIZER 는 점진적이고 피드백 기반의 전략을 채택합니다. 이는 소수의 고영향 변수로 정의된 컴팩트한 검색 공간으로 시작합니다. 만약 최적화가 정체되거나 실현 가능한 해를 찾지 못한다면, 외부 루프는 변수들을 "고정 해제"하거나 범위를 확장함으로써 문제를 체계적으로 재구성합니다. 이를 통해 시스템은 하위 최적의 초기 가정에서 회복하고, 처음에는 제외되었던 유망한 영역을 탐색할 수 있습니다.

주요 기여

이 논문은 세 가지 주요 기여를 제시합니다:

1. AUTOSIZER 프레임워크: AMS 크기 결정을 메타 최적화 문제로 공식화하는 멀티 에이전트 LLM 프레임워크입니다. 이는 회로 이해, 적응형 검색 공간 구성, 그리고 알고리즘 오케스트레이션을 통합된 폐쇄 루프 워크플로우로 통합합니다. 이 프레임워크는 LLM 이 단순히 회로를 해석하는 것을 넘어, 시뮬레이션 피드백에 기반하여 최적화 전략과 검색 공간을 능동적으로 수정할 수 있게 한다는 점에서 차별화됩니다.
2. AMS-SIZINGBENCH: SKY130 CMOS 기술을 기반으로 구축된 새로운 오픈 소스 벤치마크 스위트입니다. 이는 다양한 아날로그 및 혼합 신호 회로 (OTA, 발진기, 필터, 전압 기준, 레귤레이터 포함) 24 개로 구성되어 있으며, 광범위한 설계 복잡성을 포괄합니다. 각 인스턴스에는 표준화된 네트리스트, 크기 결정 변수, 제약 조건, 그리고 재현 가능한 평가와 적응형 최적화 정책의 공정한 비교를 위한 완전한 시뮬레이션 워크플로우가 포함되어 있습니다.
3. 종합적 평가: AMS-SIZINGBENCH 에 대한 광범위한 실험은 AUTOSIZER 가 수렴 속도, 해의 품질 (FoM), 그리고 성공률 측면에서 전통적인 최적화 방법 (GA, BO, TuRBO) 과 기존 LLM 기반 에이전트 (ADO-LLM, LEDRO, EE-Sizer) 보다 일관되게 우수함을 보여줍니다. 특히 어렵고 제약이 빡빡한 설계에서 그 차이가 두드러집니다.

실험 결과

저자들은 AMS-SIZINGBENCH 의 Easy, Medium, Hard 난이도 분할을 통해 AUTOSIZER 를 전통적인 베이스라인 및 기타 LLM 기반 에이전트들과 비교 평가했습니다.

• 성능: AUTOSIZER 는 모든 난이도 수준에서 100% 의 성공률을 달성하여, Hard 회로에서 성공률이 25~50% 로 떨어지는 전통적인 방법들과 Hard 회로에서 41% 에서 80% 사이였던 다른 LLM 에이전트들을 크게 능가했습니다.
• 효율성: 이 프레임워크는 베이스라인에 비해 최선의 해에 도달하기 위해 더 적은 평가 횟수를 요구하여, 더 높은 샘플 효율성을 입증했습니다.
• 절단 연구 (Ablation Studies): 자기 성찰 루프 (SRL) 를 제거하면 FoM 이 39.4% 감소하고 성공률이 100% 에서 20% 로 급격히 하락하여, 초기 검색 공간 결정보다 반복적 정제가 더 중요함을 강조했습니다. 또한 이 연구는 회로 이해와 검색 공간 결정 간의 시너지가 필수적임을 밝혔습니다. 정확한 회로 이해 없이는 검색 공간 축소가 하위 최적의 결과로 이어질 수 있습니다.
• 적응적 역동성: 최적화 과정에 대한 분석은 AUTOSIZER 가 정체 감지에 기반하여 탐색 (예: LHS, GA) 과 활용 (예: BO, SA) 전략 사이를 동적으로 전환하고 검색 공간 (범위 확장 또는 변수 고정 해제) 을 적응시킨다는 것을 보여주었습니다. 이는 고정 전략 베이스라인에는 없는 능력입니다.

중요성 및 주장

저자들은 AUTOSIZER 를 신뢰할 수 있고 확장 가능한 LLM 기반 AMS 회로 설계 자동화를 향한 한 걸음으로 위치시킵니다. 그들은 크기 결정을 성찰적 메타 최적화 문제로 취급함으로써, 고정된 검색 공간이나 단일 단계 워크플로우에 의존하는 기존 에이전트들의 경직성을 극복한다고 주장합니다. AMS-SIZINGBENCH 의 도입은 다양한 회로 토폴로지에 대한 표준화된 벤치마크가 부재한 문제를 해결하기 위해 이 분야에서 체계적이고 재현 가능한 평가를 위한 필수적인 기초로 제시됩니다.

이 논문은 이 프레임워크가 설계자를 대체하기보다 보조하도록 설계되었음을 강조합니다. LLM 생성 추론은 교육 및 검증을 위한 해석 가능한 도구로 기능하며, 최종 설계는 제조 전에 표준 검증 워크플로우를 거쳐야 합니다. 저자들은 AUTOSIZER 와 이에 수반되는 벤치마크가 복잡한 아날로그 및 혼합 신호 시스템을 위한 적응형, 데이터 효율적, 그리고 견고한 AI 지원 설계 자동화에 대한 향후 연구를 촉진하기를 희망한다고 표명합니다.