기술 요약: MAGE: 에이전트 기반 멀티모달 추론을 통한 인간 유사 매크로 배치

1. 문제 정의

매크로 배치(Macro placement)는 VLSI 물리 설계에서 여전히 중요한 병목 구간으로 남아 있으며, 높은 품질의 결과를 얻기 위해 숙련된 엔지니어의 상당한 수동 미세 조정(manual refinement)을 필요로 합니다. 기존의 자동화된 방법들(고전적 최적화, 해석적 배치 도구, 학습 기반 접근 방식)은 법적 배치(legal placement)를 생성하고 경쟁력 있는 PPA(Power, Performance, Area) 지표를 달eric 수 있지만, 전문가가 설계한 플로어플랜의 특징인 고차원적인 공간적 규칙성, 기능적 일관성 및 구조적 조직화를 재현하는 데는 자주 실패합니다. 결과적으로, 자동화된 배치는 하위 단계의 최적화, 라우팅 및 타이밍 클로저(timing closure)를 용이하게 하는 "인간다운(human-like)" 특성(예: 일관된 매크로 그룹화, 경계 정렬, 사용 가능한 화이트스페이스 등)이 결여되는 경우가 많습니다.

2. 방법론: MAGE 프레임워크

저자들은 레이블이 지정된 배치 데이터나 설계별 학습에 의존하지 않고, 구조화된 자연어 지시문, 시각적 검사 및 반복적 미세 조정 기준을 통해 전문가의 플로어플래닝 지식을 인코딩하도록 설계된 멀티모달 멀티 에이전트 프레임워크인 MAGE(Macro Placement Agentic Engine)를 제안합니다.

핵심 아키텍처

MAGE는 10개의 특화된 에이전트에 의해 조율되는 6단계 워크플로우를 통해 작동합니다:

1. 데이터 파싱 및 지식 추출: 기하학적 구조, 계층 구조 및 연결성을 추출하며, 사전 배치 패턴 및 알려진 이슈에 대한 지식 코퍼스를 쿼리합니다.
2. 계층 인식 그룹화(Hierarchy-Aware Grouping): 계층적 접두사를 기준으로 매크로를 그룹화하고, 참조 배치를 공유할 수 있는 구조적으로 유사한 그룹 패밀리를 식별합니다.
3. 그룹 배치: 연결성 및 IO 인지형 배치를 사용하여 매크로 그룹에 바운딩 박스를 반복적으로 할당하며, 강한 연결성과 IO 액세스를 보장하기 위해 시각적 플라이라인(flyline) 다이어그램의 안내를 받습니다.
4. 타당성 검사: 그룹이 할당된 바운딩 박스 내에 물리적으로 들어갈 수 있는지 확인하며, 필요한 경우 대규모 그룹을 재귀적으로 분할합니다.
5. 매크로 배치: 6가지 공간 원칙(경계 배치, 매크로 스태킹, 핀 인지 방향 설정, IO 킵아웃, 포켓 최소화, 화이트스페이스 품질)을 준수하여 대표 그룹에 대한 참조 배치를 생성합니다. 이 참조는 패밀리 전체에 걸쳐 변환 및 병합됩니다.
6. 독립적 검증: 상태가 없는(stateless) 감사 에이전트가 핀 액세스 차단이나 파편화된 화이트스페이스와 같이 생성 루프에서 놓친 문제를 포착하기 위해 "2차" 시각적 및 규칙 기반 감사를 수행합니다.

멀티모달 추론 및 시각적 피드백

MAGE의 차별화된 특징은 **필수적인 시각화 게이트(visualization gates)**입니다. 주요 단계에서 프레임워크는 배치 다이어그램(예: 플라이라인, 화이트스페이스 히트맵, 경계 커버리지 맵)을 렌더링하고, 이를 VLM(Vision-Language Models)이 검사합니다. 에이전트는 시각적 전용 사실(예: "핀 엣지가 인접 매크로를 향함")을 추출하고 실행 가능한 개선 제안을 생성합니다. 이를 통해 수치적 지표로 쉽게 포착되지 않는 공간적 속성을 명시적으로 평가합니다.

토너먼트 방식의 미세 조정

MAGE는 승자 독식(Go-With-The-Winners, GWTW) 토너먼트 모드를 지원합니다. 여러 후보 배치가 병렬로 생성되며, PPA의 대리 지표로 초기 글로벌 라우팅(eGR) 와이어길이를 사용하여 평가 및 순위가 매겨집니다. 상위 성과 모델들을 분석하여 와이어길이에 기여하는 불일치를 식리고, 그 통찰력을 다음 라운드의 가이드라인을 정교화하는 데 사용합니다. 이러한 진화적 프로세스를 통해 프레임워크는 단일 최적화 경로를 따르는 대신 여러 궤적을 탐색할 수 있습니다.

3. 주요 기여

• 인간 유사 배치를 위한 에이전트 프레임워크: MAGE는 작업을 단일한 최적화가 아닌 구조화된 다단계 파이프라인으로 분해하여 인간과 유사한 솔루션을 생성하도록 명시적으로 설계된 최초의 에이전트 기반 매크로 배치 프레임워크입니다.
• 인간 유사성을 위한 원칙 및 지표: 저자들은 전문가 플로어플래닝의 6가지 공간 원칙을 공식화하고 "인간 유사성"을 측정하기 위한 4가지 정량적 지표를 도입했습니다:
  • Notch Score: 매크로 실루엣의 들쭉날쭉함(jaggedness)을 측정합니다.
  • Whitespace Score: 자유 공간의 직사각형 형태와 조밀함을 평가합니다.
  • Pocket Score: 작고 사용할 수 없는 자유 공간 영역에 페널티를 부여합니다.
  • Alignment Score: 경계 배치, 엣지 정렬, 코너 점유 및 스태킹 정확도를 평가합니다.
• 2단계 합성: 프레임워크는 구조적 조직(단계 1~5)과 구현 메트릭 최적화(토너먼트 미세 조정)를 분리하여, 구조적 무결성을 유지하면서 타이밍과 와이어길이를 개선합니다.
• 일반화: 이 접근 방식은 설계별 재학습 없이도 보지 못한 설계, 직사각형 플로어플랜 및 높은 활용도 설정에 대한 제로샷 전이(zero-shot transfer) 능력을 입증합니다.

4. 실험 결과

프레임워크는 NanGate45(NG45) 및 GlobalFoundries 12nm(GF12) 환경의 9개 설계를 대상으로 인간 전문가, 두 가지 상용 매크로 배치 도구(Comm-1, Comm-2), 그리고 OpenROAD의 Hier-RTLMP와 비교 평가되었습니다.

• PPA 개선 사항:
  • 인간 전문가 대비: MAGE는 NG45 설계에서 WNS(Worst Negative Slack)를 18.3%, TNS(Total Negative Slack)를 72.5% 개선했으며, 와이어길이와 전력 측면에서는 대등한 결과를 보였습니다.
  • 상용 배치 도구 대비: MAGE는 상용 베이스라인 대비 WNS에서 11.1%~19.3%, TNS에서 **70.0%~74.0%**의 기하 평균 개선을 달성했으나, 라우팅된 와이어길이(rWL)와 전력이 높아지는 트레이드오프가 있었습니다.
  • Hier-RTLMP 대비: MAGE는 WNS를 47.0%, TNS를 80.4% 개선하는 동시에 rWL과 전력 또한 감소시켰습니다.
• 인간 유사성: MAGE는 모든 베이스라인보다 전체적인 인간 유사성 점수($S_{HM}$)에서 6%~48% 더 높은 성능을 보였습니다.
• 사례 연구:
  • 보지 못한 설계: 학습에 사용되지 않은 두 개의 GF12 설계에서 MAGE는 상용 도구 대비 TNS를 27%~40% 개선했습니다.
  • 직사각형 플로어플랜: MGF는 상용 도구가 종종 파편화된 배치를 생성하는 밀도가 높은 직사각형 플로어플랜(활용도 >70%)에서도 WNS를 개선했습니다.
  • 높은 활용도: 엄격한 면적 제약(최대 80% 활용도) 하에서도 MAGE는 조직적인 라우팅 채널을 보존함으로써 상용 도구보다 더 나은 타이밍 클로저를 유지했습니다.

5. 의의 및 주장

본 논문은 인간과 유사한 매크로 조직이 하위 단계의 라우팅 및 타이밍 클로저를 위한 유용한 구조적 사전 정보(structural prior) 역할을 한다고 주장합니다. 결과는 MAGE가 강제하는 특정 구조적 규칙성(예: 연속적인 화이트스페이스, 정렬된 스택)이 총 와이어길이가 더 높더라도 타이밍 결과(클록 스큐 및 혼잡도 감소)에 직접적으로 기여함을 시사합니다.

저자들은 MAGE가 매크로 배치를 순수하게 수치적인 최적화 문제로 취급하는 것에서 벗어나, 전문가 원칙에 의해 가이드되는 구조화된 설계 프로세스로 전환하는 것을 의미한다고 강조합니다. 이러한 원칙들을 멀티모달 추론과 시각적 피드백을 통해 인코딩함으로써, 프레임워크는 레이블이 지정된 데이터에 대한 비용이 많이 드는 학습 없이도 인간 전문가의 조직적 논리를 재현할 수 있습니다. 이 연구는 에이전트 기반의 멀티모달 시스템이 복잡한 물리 설계 판단을 효과적으로 포착하고 적용할 수 있음을 보여주며, 이는 현재 산업 현장에서 많은 시간을 차지하는 수동 미세 조정 시간을 줄일 수 있는 잠재력을 보여줍니다.