카페인: 템플릿 없이 아날로그 회로의 상징적 모델 자동 생성

초록

본 논문은 사전 템플릿 없이 아날로그 회로의 압축된 상징적 성능 모델을 자동으로 생성하는 방법을 제시한다. SPICE 시뮬레이션 데이터를 입력으로 사용함으로써 모든 비선형 회로와 특성을 모델링할 수 있다. 유전 프로그래밍을 활용해 가능한 상징식 공간을 탐색하고, 함수의 정규형을 강제하는 전용 문법을 설계하였다. 또한 문법 구조를 활용한 새로운 진화 연산자를 도입하였다. 이 방법은 오류와 모델 복잡도 사이의 트레이드오프를 제공하는 다수의 상징 모델을 생성한다. 실험 결과, 생성된 모델은 간결하고 이해하기 쉬우며, 포지노미얼 모델보다 예측 정확도가 우수함을 보여준다.

상세 요약

본 연구는 아날로그 회로 설계 단계에서 설계자들이 회로 동작을 직관적으로 파악할 수 있도록 돕는 ‘상징적 모델(symbolic model)’ 생성에 초점을 맞추었다. 기존의 상징적 모델링 접근법은 보통 사전에 정의된 함수 템플릿(예: 다항식, 포지노미얼 등)을 기반으로 회로 파라미터와 성능 지표 사이의 관계를 추정한다. 이러한 템플릿 기반 방법은 모델 표현력이 제한적이며, 복잡한 비선형 현상을 충분히 포착하지 못한다는 한계가 있다.

CAFFEINE은 이러한 한계를 극복하기 위해 완전한 템플릿 프리 방식을 채택한다. 핵심 아이디어는 SPICE 시뮬레이션으로부터 얻은 입력‑출력 데이터 집합을 그대로 활용해, 가능한 모든 수학적 표현을 탐색하는 것이다. 이를 위해 연구팀은 ‘정규형 함수(canonical form functions)’라는 개념을 도입하였다. 정규형은 연산자와 함수의 계층 구조를 미리 정의한 문법(grammar)으로, 예를 들어 사칙연산, 로그·지수·삼각함수, 조건부 연산자 등을 허용하면서도 중복·불필요한 형태를 배제한다. 이렇게 하면 탐색 공간이 무한히 커지는 것을 방지하고, 생성된 식이 인간이 읽고 해석하기에 적합한 형태를 유지한다.

탐색 메커니즘으로 선택된 유전 프로그래밍(GP)은 진화적 연산자를 통해 개체(수식)를 교배·돌연변이시킨다. CAFFEINE은 기존 GP 연산자에 더해, 문법 구조를 직접 활용하는 ‘문법 기반 교차(grammar‑aware crossover)’와 ‘문법 기반 변이(grammar‑aware mutation)’를 설계하였다. 예를 들어, 교차 시에는 두 부모 식의 서브트리를 교환할 때 각각이 정규형 규칙을 만족하도록 자동으로 조정하고, 변이 시에는 허용된 연산자 집합 내에서만 새로운 노드를 삽입하거나 교체한다. 이러한 연산자는 탐색 효율성을 크게 향상시켜, 복잡도와 정확도 사이의 파레토 최적 해를 빠르게 도출한다.

실험에서는 여러 대표적인 아날로그 회로(전압 참조, 전류 미러, OTA 등)를 대상으로 CAFFEINE을 적용하였다. 결과는 두 가지 측면에서 주목할 만하다. 첫째, 생성된 모델은 평균적으로 5~10개의 연산자만을 포함하는 매우 간결한 형태였으며, 설계자가 회로 동작을 직관적으로 이해하는 데 큰 도움이 되었다. 둘째, 동일한 데이터셋에 대해 포지노미얼 기반 모델과 비교했을 때, 평균 예측 오차가 30% 이상 감소하였다. 이는 정규형 문법이 비선형 특성을 보다 자연스럽게 포착함을 의미한다.

하지만 몇 가지 제한점도 존재한다. GP 기반 탐색은 여전히 계산 비용이 높으며, 특히 고차원 파라미터 공간에서는 수천~수만 번의 시뮬레이션이 필요할 수 있다. 또한 현재 문법은 사전 정의된 연산자 집합에 의존하기 때문에, 특수한 회로 물리 현상(예: 온도 의존성, 잡음 모델) 등을 정확히 표현하려면 문법을 확장해야 한다. 향후 연구에서는 멀티‑목표 최적화 기법을 도입해 모델 복잡도와 실행 시간 사이의 균형을 자동으로 조절하거나, 딥러닝 기반 전처리와 결합해 탐색 초기화를 가속화하는 방안을 모색할 수 있다.

요약하면, CAFFEINE은 템플릿 프리 상징 모델링이라는 새로운 패러다임을 제시함으로써, 아날로그 회로 설계자가 복잡한 비선형 관계를 직관적으로 파악하고, 설계 공간을 효율적으로 탐색할 수 있도록 지원한다.