[기술 요약] AnalogRetriever: 아날로그 회로 검색을 위한 교차 모달 표현 학습

1. 문제 정의 (Problem Statement)

아날로그 회로 설계는 기존의 지적 재산(IP)을 재사용하는 것이 매우 중요하지만, 회로를 표현하는 방식이 SPICE 넷리스트(코드), 회로도(이미지), 기능 설명(텍스트) 등 서로 다른 형태(Heterogeneous representations)로 존재하여 통합적인 검색이 어렵습니다.

• 기존 방식의 한계: 기존 도구들은 단일 모달리티(예: 키워드 매칭) 내에서의 정확한 일치에만 의존하며, 서로 다른 형태 간의 의미적 관계(Cross-modal semantic relationship)를 파악하지 못합니다.
• 도메인 특수성: 아날로그 설계는 디지털과 달리 검증된 토폴로지(Topology)의 재사용이 핵심이며, 텍스트 설명만으로는 정확한 회로 구조를 찾기 어렵고, 이미지나 코드는 그 의미를 파악하기 위한 고도의 도메인 지식이 필요합니다.

2. 제안 방법론 (Methodology)

본 논문은 텍스트, 이미지, 넷리스트를 하나의 공유 임베딩 공간(Shared embedding space)으로 매핑하는 삼중 모달(Tri-modal) 검색 프레임워크인 AnalogRetriever를 제안합니다.

A. 데이터셋 구축 (Two-stage Repair Pipeline)

기존 MASALA-Chai 데이터셋의 낮은 품질(컴파일 성공률 22%)을 해결하기 위해 LLM 기반의 2단계 정제 파이프라인을 구축했습니다.

1. 1단계 (Initial Repair): LLM을 사용하여 문법 오류 및 모델 정의 오류가 있는 넷리스트를 수정하고 Ngspice 시뮬레이터로 검증합니다.
2. 2단계 (Feedback-Guided Refinement): 시뮬레이션 실패 시, 에러 로그를 LLM(Teacher model)에 피드백하여 반복적으로 수정함으로써 컴파일 성공률 100%, DC 시뮬레이션 통과율 99.7%의 고품질 데이터셋을 확보했습니다.

B. 삼중 모달 인코더 구조 (Tri-Modal Encoding)

1. Vision-Language Encoder: 사전 학습된 CLIP을 사용하여 회로도(Image)와 기능 설명(Text)을 인코딩합니다. 도메인 적응을 위해 CLIP의 하위 레이어는 고정하고 상위 레이어만 미세 조정(Fine-tuning)하여 범용적 시각 지식을 보존합니다.
2. Port-Aware RGCN (Relational Graph Convolutional Network): 넷리스트를 그래프 구조로 변환하여 인코딩합니다. 특히, MOSFET의 게이트, 드레인, 소스 등 각 단자(Port)의 전기적 의미를 구분하기 위해 **관계형 GCN(RGCN)**을 사용하여 포트 수준의 세밀한 토폴로지 정보를 캡처합니다.
3. Attention Pooling: 그래프 전체를 하나의 벡터로 변환할 때, 입력 쌍이나 출력단 등 기능적으로 중요한 소자에 더 높은 가중치를 두는 어텐션 메커니즘을 사용합니다.

C. 학습 전략 (Curriculum Training)

학습의 안정성을 위해 3단계 커리큘럼 학습을 도입했습니다.

• Phase 1 (Warm-up): CLIP은 고정하고 RGCN만 학습시켜 그래프 인코더를 CLIP 공간에 정렬시킵니다.
• Phase 2 (Transition): CLIP의 가중치를 해제하고 전체 6방향(C↔I, C↔T, I↔T)의 대조 학습(Contrastive Learning)을 수행합니다.
• Phase 3 (Hard Negative Mining): 기능적으로 유사하지만 구조적으로 다른 회로(예: 서로 다른 종류의 Op-amp)를 구분할 수 있도록, 유사한 클러스터 내의 샘플을 '어려운 부정 샘플(Hard Negative)'로 활용하여 변별력을 높입니다.

3. 주요 기여 (Key Contributions)

1. 최초의 삼중 모달 토폴로지 인식 검색: 텍스트, 이미지, SPICE 넷리스트를 통합 검색할 수 있는 최초의 프레임워크를 제안했습니다.
2. 포트 인식 RGCN 및 커리큘럼 학습: 회로의 전기적 연결 특성을 반영한 그래프 인코더와 학습 안정성을 극대화한 커리큘럼 전략을 제시했습니다.
3. 고품질 데이터셋 구축: LLM과 시뮬레이터를 결합하여 검증된 6,354개의 삼중 모달 데이터셋을 생성했습니다.

4. 실험 결과 (Results)

• 검색 성능: 6가지 교차 모달 검색 방향 모두에서 **평균 Recall@1 75.2%**를 달성했습니다. 이는 기존 최강 베이스라인(CROP, 4.7%) 대비 15배 이상의 성능 향상입니다.
• 상호 보완 효과: 넷리스트(Code) 모달리티를 추가함으로써, 원래 텍스트-이미지 간의 검색 성능(I↔T)도 최대 +8.7% 향상되는 시너지 효과를 확인했습니다.
• RAG(검색 증강 생성) 통합: AnalogRetriever를 LLM 에이전트인 AnalogCoder에 통합한 결과, 8개의 LLM 모두에서 기능적 정확도(Functional pass rate)가 평균 5.6% 향상되었으며, Claude Sonnet 4.6 모델에서는 **86.7%라는 새로운 SOTA(State-of-the-art)**를 기록했습니다.

5. 의의 및 결론 (Significance)

본 연구는 아날로그 설계 자동화(EDA) 분야에서 "검색(Retrieval)"과 "생성(Generation)"의 결합이 얼마나 강력한지를 증명했습니다. LLM이 회로를 설계할 때 발생할 수 있는 환각(Hallucination) 및 잘못된 토폴로지 생성 문제를, 검증된 기존 설계 사례를 검색하여 제공함으로써 효과적으로 해결할 수 있음을 보여주었습니다. 이는 향후 주니어 엔지니어의 설계 보조 및 IP 재사용 효율화에 크게 기여할 수 있는 기술입니다.