Hybrid ML for Lightweight Pre-Route Delay Estimation in Open-Source IC Design

현대 전자 공학의 세계에서 우리 기기에 동력을 공급하는 미세한 칩들은 복잡하고 반복적인 과정을 통해 설계됩니다. 엔지니어들은 논리적인 청사진에서 시작하여 이를 물리적 레이아웃으로 점진적으로 변환하는데, 이 여정은 수십억 개의 미세한 부품을 배치하고 이를 미세한 와이어로 연결하는 과정을 포함합니다. 이 여정의 중요한 체크포인트는 정적 타이밍 분석(static timing analysis)이라 불리는 안전 점검입니다. 이 과정은 전기 신호가 부품 사이를 충분히 빠르게 이동하여 장치가 올 有하게 작동하도록 보장합니다. 그러나 설계 단계 초기, 즉 와이어가 완전히 그려지기 전에 중대한 과제가 발생합니다. 이 단계에서 엔지니어들은 부품이 어디에 위치할지에 대한 대략적인 아이디어는 가지고 있지만, 그들을 연결할 와이어에 대한 정밀한 세부 정보는 부족합니다. 이러한 세부 정보가 없으면 기존의 도구들은 신호의 이동 시간을 추측해야만 합니다. 안전을 위해, 이러한 도구들은 신호가 실제보다 더 느릴 것이라고 가정하며 보수적으로 추측하는 경향이 있습니다. 이러한 주의는 오류를 방지하지만, 불확실성을 보완하기 위해 회로를 필요 이상으로 크게 만들고 더 많은 전력을 소비하게 만드는 과설계(over-design)로 이어지곤 합니다.

코스타리카 대학교(Universidad de Costa Rica)의 연구진은 이 추측 게임을 해결할 새로운 방법을 개발하여, 최종 배선이 완료되기 전에도 신호 이동 시간을 훨씬 더 높은 정확도로 예측할 수 있는 방법을 제시했습니다. 표준 소프트웨어의 보수적인 추측이나 이해하기 어려운 거대하고 복잡한 컴퓨터 모델에 의존하는 대신, 그들은 가벼운 하이브리드 시스템을 만들었습니다. 이 시스템은 두 가지 단순하고 잘 알려진 수학적 기법을 결렴합니다. 바로 데이터를 특정 규칙에 따라 그룹별로 분류하는 결정 트리(decision tree)와 각 그룹 내에서 직선 형태의 패턴을 찾는 선형 회귀(linear regression)입니다. 연구진은 결정 트리를 사용하여 무질서한 실제 데이터를 관리하기 쉬운 작은 덩어리로 조직화한 다음, 각 덩어리에 간단한 선형 적합 공식을 적용함으로써, 과거의 설계를 학습하여 미래의 설계를 예측하는 모델을 구축했습니다. 그들의 접근 방식은 매우 정확할 뿐만 아니라 투명하여, 엔지니어가 예측이 왜 이루어졌는지 정확히 파악할 수 있게 해줍니다. 이는 더 복잡한 인공지능 시스템에서 흔히 결여되는 기능입니다.

연구팀은 연구자와 취미가들이 집적 회로를 제작할 때 널리 사용하는 오픈 소스 설계 도구인 OpenLane을 사용하여 새로운 방법을 테스트했습니다. 그들은 다양한 회로 설계 데이터를 모델에 입력하여, 부품 간의 거리, 게이트의 크기, 연결의 수가 신호 속도에 어떻게 영향을 미치는지 학습시켰습니다. 결과는 놀라웠습니다. OpenLane 도구가 제공하는 표준 추정치와 비교했을 때, 새로운 하이브리드 모델은 지연 예측 오차를 최대 80%까지 줄였습니다. 모델에서 OpenLane 도구에 대한 특정 세부 정보를 제거했을 때도 정확도는 71% 개선되었습니다. 실질적인 관점에서 이는 설계자들이 초기 단계의 추정치를 훨씬 더 신뢰할 수 있게 되어, 설계 과정 후반부에 비용이 많이 드는 재작업을 여러 번 수행해야 할 필요성을 잠재적으로 피할 수 있음을 의미합니다.

순수한 정확도를 넘어, 연구진은 자신들 솔루션의 효율성과 명확성을 강조했습니다. 그들이 구축한 모델은 저장 공간을 겨우 10MB 남짓 차지하는 데 반해, 이 분야에서 사용되는 다른 유사한 머신러닝 모델들은 수 기가바이트를 요구할 수 있습니다. 또한 다른 모델들보다 2배 이상 빠르게 실행되며, 크기는 300배 이상 작습니다. 무엇보다 엔지니어링 커뮤니티에 있어 가장 중요한 점은 이 모델이 설명 가능하다는 것입니다. 결정 트리와 단순 선형 방정식에 기반하기 때문에, 엔지니어는 예측의 경로를 추적할 수 있습니다. 즉, 데이터가 어떤 규칙을 따랐는지, 그리고 최종 계산이 어떻게 도출되었는지를 볼 수 있습니다. 이는 답변을 제공하면서도 그 근거를 밝히지 않는 많은 현대 머신러닝 도구들의 '블랙박스' 방식과 대조됩니다.

본 연구는 이러한 하이브리드 접근 방식이 칩 설계에 흔히 사용되는 무겁고 불투명한 모델들에 대한 실행 가능한 대안임을 확인시켜 줍니다. 문제를 더 작고 선형적으로 예측 가능한 부분으로 나눔으로써, 이 시스템은 거대한 신경망 없이도 실제 회로의 복잡한 비선형적 동작을 포착합니다. 연구진은 이 모델이 특정 회로에서 예측 오차를 최대 80%까지 줄이는 등 매우 우수한 성능을 보였다고 언급했는데, 이는 새로운 설계가 학습에 사용된 데이터와 유사성을 공유할 때 이 방법이 특히 효과적임을 시사합니다. 현재의 작업은 특정 오픈 소스 도구와 기술 노드에 집중되어 있지만, 이 가볍고 투명한 방법의 성공은 앞으로 나아갈 유망한 경로를 보여줍니다. 이는 칩 설계라는 고도의 정밀함이 요구되는 세계에서, 때로는 가장 복합적인 도구가 아니라 가장 정밀하고 빠르며 이해하기 쉬운 도구가 가장 효과적일 수 있음을 입증합니다.