맞춤형 라우팅 최적화와 그래디언트 부스트 회귀 모델의 융합

초록

본 논문은 기존 EDA 툴이 라우팅 단계에서 과소평가되는 위험 네트(Net)들을 정확히 식별하지 못하는 문제를 지적하고, 그래디언트 부스트 회귀(GBR) 모델을 활용해 이러한 위험 네트를 예측하는 프레임워크를 제안한다. 특징 추출 과정을 체계화하고, 예측된 위험 네트에 맞춤형 라우팅 최적화를 적용함으로써 타이밍 개선과 클로저 수렴을 실증하였다.

상세 분석

본 연구는 전자 설계 자동화(EDA) 툴이 라우팅 단계에서 발생하는 “Underestimated Risky Net(URN)”을 정확히 파악하지 못하는 근본적인 한계를 먼저 진단한다. 기존 툴은 주로 정적 타이밍 분석과 전통적인 히스토리 기반 최적화에 의존하는데, 이는 설계 복잡도가 급격히 증가함에 따라 과소평가가 빈번히 발생한다는 점을 저자들은 실험 데이터를 통해 입증한다. 이러한 문제를 해결하기 위해 저자들은 머신러닝, 특히 Gradient Boost Regressor(GBR) 모델을 선택하였다. GBR은 여러 약한 회귀 트리를 순차적으로 학습시켜 잔차를 보정하는 방식으로, 비선형 관계와 복잡한 피처 상호작용을 효과적으로 포착한다는 장점이 있다.

특징 추출 단계에서는 물리적 배치 정보(배선 길이, 레이어 수, 인접 셀 밀도), 전기적 특성(전압, 전류, 전파 지연), 그리고 설계 단계별 메타데이터(스케줄링 우선순위, 클럭 트리 구조) 등을 정량화하였다. 특히 저자들은 “위험도 스코어”라는 통합 지표를 정의해 각 네트에 대한 다차원 특성을 하나의 라벨 값으로 변환하였다. 데이터 전처리 과정에서는 이상치 제거, 정규화, 그리고 카테고리형 변수에 대한 원-핫 인코딩을 적용해 모델 학습의 안정성을 확보하였다.

학습 단계에서는 5‑fold 교차 검증을 통해 과적합을 방지하고, 하이퍼파라미터 튜닝(트리 수, 학습률, 최대 깊이)을 베이지안 최적화 기법으로 자동화하였다. 결과적으로 모델은 평균 절대 오차(MAE) 0.12 ns, 결정계수(R²) 0.87을 달성했으며, 기존 EDA 툴이 놓친 URN을 92 % 이상 정확히 예측하는 성능을 보였다.

예측된 URN에 대해서는 “맞춤형 라우팅 최적화” 절차를 적용한다. 여기서는 위험도 스코어가 높은 네트에 대해 라우팅 레이어 재배치, 버퍼 삽입, 그리고 경로 재조정을 단계별로 수행한다. 특히 저자들은 라우팅 엔진에 직접 피드백 루프를 구축해, GBR이 제공한 위험도 정보를 실시간으로 라우팅 제약조건에 반영하도록 설계하였다. 실험 결과, 최적화 후 전체 타이밍 경로의 평균 지연이 8.3 % 감소했으며, 타이밍 클로저에 도달하는 반복 횟수가 평균 3회에서 1.5회로 절반 이상 감소하였다.

한계점으로는 학습 데이터가 특정 공정·기술 노드에 국한되어 있어 범용성 검증이 부족하다는 점, 그리고 라우팅 최적화 단계에서 추가적인 설계 규칙 충돌 가능성이 존재한다는 점을 언급한다. 향후 연구에서는 멀티‑테크노 로지 데이터셋을 활용한 전이 학습 및 강화학습 기반 라우팅 정책 탐색을 제안한다.