기술 요약: PCBWorld - 엔진 기반 PCB 설계 자동화를 위한 벤치마크 환경

1. 문제 정의

인쇄 회로 기판(PCB) 라우팅은 제조 가능성을 보장하기 위해 엄격한 설계 규칙(예: 이격 거리, 트랙 폭, 레이어 제약 조건)을 준수하면서 전자 부품의 패드를 구리 트레이스로 연결하는 작업입니다. 이 작업의 결정적인 중요성에도 불구하고, 학습 기반 방법론은 역사적으로 전통적인 규칙 기반 라우터에 비해 뒤처져 왔습니다. 저자들은 이러한 격차의 원인을 기존 연구의 두 가지 주요 모델링 한계로 꼽습니다:

1. 그리드 기반 추상화: 많은 강화 학습(RL) 접근 방식은 라우팅을 이산화된 그리드 상에서의 셀 단위 이동으로 모델링합니다. 생산 요구 사항에 맞춰 그리드 해상도가 높아지면 탐색 공간이 기하급수적으로 증가하여, 크레딧 할당(credit assignment)과 수렴을 어렵게 만듭니다.
2. 오픈 루프 생성(Open-Loop Generation): 최근의 대규모 언어 모델(LLM) 접근 방식은 중간 피드백 없이 단 한 번의 패스로 완전한 보드 파일이나 라우팅 스크립트를 생성하는 경우가 많습니다. 전자 설계 자동화(EDA) 엔진과의 상호작용이 없는 이러한 모델들은 유효한 보드를 만드는 데 필요한 엄격한 기하학적 및 연결성 제약을 충족하는 데 어려움을 겪습니다.

업계 관행은 엔지니어가 EDA 도구를 사용하여 인터랙티브하게 보드를 라우팅하며, 실시간 설계 규칙 검사(DRC) 피드백을 활용해 오류를 수정하고 실행 가능성을 확보하는 방식에 의존합니다. 본 논문은 AI 에이전트가 경쟁력 있는 성능을 달기 위해서는 이러한 "엔진 기반(engine-grounded)"의 인터랙티브 루프를 재현해야 한다고 주장합니다.

2. 방법론

PCBWorld: 환경

핵심 기여는 KiCad 오픈 소스 EDA 제품군을 기반으로 구축된 엔진 기반의 오픈 소스 환경인 PCBWorld입니다. GUI 구동형 에이전트나 추상적인 그리드 환경과 달리, PCBWorld는 58개의 Python API를 통해 KiCad 라우팅 엔진을 직접 노출합니다.

• 상호작용 루프: 에이전트는 네이티브 KiCad 연산(예: start_route, make_line, make_via, finish)을 호출하며 단계별로 환경과 상호작용합니다.
• 상태 표현: 상태는 보드의 정확한 기하학적 구조, 연결성 및 DRC 상태를 캡처하는 중첩된 딕셔너리로 구성되어, 그리드나 렌더링된 이미지와 같은 손실이 있는 추상화를 피합니다.
• 액션 공간: 액션은 그리드 단위의 움직임이 아니라 고수준의 라우팅 명령(넷 선택, 세그먼트 그리기, 비아 배치 등)입니다. 액션 공간은 구문적 유효성을 보장하기 위해 엔진의 후보 지점(패드 중심, 트랙 끝점)에 의해 제한됩니다.
• 피드백: 매 단계마다 에이전트는 업데이트된 보드 상태와 DRC 피드백(위반 사항, 연결 상태)을 받습니다.
• 래퍼(Wrappers): 환경은 RL 정책(토큰화된 시퀀스)과 도구 사용 LLM 에이전트(구조화된 도구 호출 스키마) 모두를 위해 맞춤형 래퍼를 제공하여, 두 방식 모두 동일한 MDP 내에서 학습하고 행동할 수 있도록 합니다.

PCBWorld-Bench: 벤치마크

환경과 함께 제공되는 PCBWorld-Bench는 KiCad의 네이티브 .kicad_pcb 형식으로 구성된 세 가지 데이터셋 제품군입니다.

1. D1 (합성 그리드 기반): 확장성을 테스트하기 위해 다섯 가지 그리드 크기(10~500)에 걸쳐 Jumanji Connector 환경의 그리드 라우팅 작업을 재현했습니다.
2. D2 (합성 그리드리스): 훈련 및 제로샷 평가를 위해 설계된, 구성 가능한 넷 및 패드 수를 가진 2레이어 보드의 합성 데이터셋입니다.
3. D3 (실제 오픈 소스): PCBench 코퍼스에서 추출하여 KiCad 9 형식으로 변환한 679개의 실제 오픈 소스 보드 세트입니다. 이는 복잡도(Small, Medium, Large)별로 계층화되어 있으며, 주요 제로샷 평가 대상입니다.

평가 지표:
벤치마크는 KiCad 엔진의 DRC를 사용하여 완료된 보드를 점수화합니다. 주요 지표는 다음과 같습니다:

• 클린 패스 (Clean Pass, CP): 완전히 연결되어 있고 설계 규칙 위반(DRV)이 제로인 보드의 비율.
• 잠재적 이득 (Potential Gain): 빈 보드 대비 보드 품질(배선 길이, 비아 수, DRV 감소)의 개선 정도.
• 라우팅 가능성 (Routability): 성공적으로 라우팅된 필수 연결의 비율.
• 물리적 비용 (Physical Costs): 총 배선 길이 및 비아 수.

보상 공식

RL 목적 함수는 제약 조건이 있는 최적화 문제로 정식화됩니다: 즉, DRV가 0인 상태에서 배선 길이와 비아 수를 최소화하는 것입니다. 보상 함수는 다음과 같은 잠재 기반 셰이핑(potential-based shaping) 방식을 사용합니다:
$$\Phi(s) = - (f_d(n_{drv}(s)) + \lambda_w \ell(s) + \lambda_v n_{via}(s))$$
여기서 $f_d$는 어떤 넷에서든 첫 번째 위반 사항에 대해 강력한 페널티를 부여하는 오목한(concave) 페널티 함수로, 정책이 DRV가 없는 솔루션으로 유도되도록 합니다.

3. 핵심 기여

1. 엔진 기반 프레임워크: 에이전트에게 네이티브 EDA 엔진 연산을 노출하여 인간의 워크플로우와 유사한 인터랙티브하고 피드백 중심적인 라우팅을 가능하게 하는 최초의 PCB 라우팅 환경입니다.
2. 통합 벤치마크: 엔진으로 검증된 결과를 바탕으로 다양한 에이전트 유형(RL, LLM, 규칙 기반)을 지원하는 포괄적인 벤치마크(PCBWorld-Bench)를 제공합니다.
3. 제로샷 전이 입증: 단순한 합성 데이터로 훈련된 정책이 미세 조정 없이 복잡한 실제 오픈 소스 보드로 전이될 수 있음을 보여주었습니다.
4. 엔진 참여 분석: 인터랙티브한 엔진 기반 에이전트가 오픈 루프(계획 전용 또는 엔진 프리) LLM 베이스라인보다 성능이 현저히 높다는 것을 보여주는 체계적인 비교를 수행했습니다.

4. 실험 결과

액션 추상화의 확장성

합성 그리드 기반 데이터셋(D1)에서 저자들은 PCBWorld의 세그먼트 레벨 API 액션(PPO)을 그리드 액션 베이스라인(A2C, Sable)과 비교했습니다.

• 결과: 그리드 해상도가 높아짐에 따라, 그리드 액션 베이스라인은 폭발적인 호라이즌(horizon) 문제로 인해 무너졌습니다(A2C는 그리드 100에서 실패, Sable은 그리드 200에서 실패). 반면, KiCad-API 액션을 사용하는 PPO 에이전트는 모든 그리드 크기에서 완벽에 가까운 라우팅 가능성을 유지했습니다. 이는 세그먼트 레벨 액션이 의사 결정 복잡도를 그리드 해상도로부터 분리함을 입증합니다.

실제 보드에서의 성능 (D3)

• RL 에이전트: 합성 데이터(D2)로부터 처음부터 훈련된 컴팩트한 트랜스포머 정책은 작은 실제 보드(D3-A)에서 클린 패스(CP) 0.86을 달성하여, 모든 LLM 베이스라인을 능가하고 Freerouting과 같은 규칙 기반 라우터와 대등하거나 더 높은 성능을 보였습니다. 더 큰 보드(D3-B)에서는 0.45 CP를 달성하여 경쟁력을 유지했으나, 매우 복잡한 토폴로지로의 일반화에는 한계를 보였습니다.
• LLM 에이전트: 인터랙티브 LLM 에이전트(예: GPT-5.4)는 D3-A에서 CP 0.65를 달성하여, 비인터랙티브 대응 모델(Plan-only: 0.19; Engine-free: 0.02)보다 훨씬 뛰어난 성능을 보였습니다. 그러나 LLM은 큰 보드(D3-B에서 CP 0.00)에서 어려움을 겪었으며, 높은 추론 지연 시간(보드당 몇 분 소요, RL은 몇 초 소-내외)을 보였습니다.
• 규칙 기반 라우터: Freerouting은 큰 보드(D3-B)에서 여전히 가장 강력한 베이스라인으로 남았으며, 이는 수십 년간의 휴리스틱 튜닝이 복잡한 사례에서 여전히 가치가 있음을 강조합니다.

엔진 참여의 영향

연구는 인터랙티브한 참여가 핵심임을 확인했습니다. 피드백 없이 전체 보드 파일을 생성하는 에이전트(Engine-free)는 유효한 KiCad 구문을 생성하지 못하거나 설계 규칙을 충족하지 못했습니다. 피드백 없이 계획만 세우는 에이전트(Plan-only)는 연결성은 개선했으나 여전히 상당한 DRV를 발생시켰습니다. 매 단계마다 DRC 피드백을 관찰하는 인터랙티브 에이전트만이 일관되게 깨끗하고 제조 가능한 보드를 생성했습니다.

5. 의의 및 주장

본 논문은 PCBWorld를 학습 기반 PCB 설계 자동화를 진전시키기 위한 기초적인 단계로 자리매김합니다.

• 패러다임 전환: AI의 EDA 발전 경로는 정적인 생성이나 추상적인 그리드 모델링이 아니라 "엔진 기반"의 상호작용에 있다고 주장합니다.
• 실질적 실행 가능성: 실험 결과는 합성 데이터로 훈련된 RL 에이전트가 실제 보드에서 실용적인 라우팅 능력을 갖추어, 기존의 규칙 기반 라우터 성능에 근접할 수 있음을 시사합니다.
• LLM의 잠재력과 한계: 현재의 LLM은 엔진의 가이드를 받을 때 기하학적 추론에서 유망한 모습을 보이지만, 느린 추론 속도와 미세 조정 없이는 복잡한 보드로 확장할 수 없는 능력은 고복잡도 작업을 위한 기존 라우터를 대체하기에 아직 준비되지 않았음을 나타냅니다.
• 개방형 기반: 저자들은 환경, 데이터셋, 베이스라인을 공개함으로써, RL과 도구 사용 LLM 연구 모두에서 발전할 수 있는 공유 플랫폼을 제공하고자 합니다.

저자들은 비록 큰 과제(특히 대규모/복잡한 보드로의 확장 및 신호 무결성 제약 조건 통합)가 남아 있지만, 엔진 기반의 인터랙티브 접근 방식이 차세대 PCB 라우팅 에이전트를 위한 유망하고 필수적인 토대를 제공한다고 결론짓습니다.