머신러닝 기반 고속 전력 무결성 분류기

초록

본 논문은 배치 이후 설계 단계에서 전력 그리드와 셀 전력 밀도, 라우팅 결합 용량, C4 범프 위치 등을 특징으로 추출하고, 연속 영역과 비연속 영역을 각각 적합한 머신러닝 모델(최근접 이웃, 랜덤 포레스트, 신경망)로 학습시켜 EM/IR 핫스팟을 빠르게 예측한다. 오픈소스 블록 실험에서 기존 사인오프 툴 대비 높은 정확도와 큰 시간 절감을 확인하였다.

상세 분석

이 연구는 전력 무결성 검증을 설계 흐름 초기에 삽입함으로써 반복적인 ECO(Engineering Change Order)와 설계 주기 지연을 최소화하고자 한다. 저자들은 전력 그리드가 ‘연속적’이라고 가정하고, 분석 윈도우를 5 µm × 5 µm 크기의 작은 영역으로 나눈 뒤, 각 윈도우를 특징 벡터(FV)로 변환한다. FV는 금속 레이어별 폭·피치·오프셋(w_i, p_i, o_i), 서브 윈도우별 전력 밀도(pd_i,j), 라우팅에 의한 결합 정전용량(c), 그리고 해당 윈도우 중심으로부터 가장 가까운 9개의 C4 범프까지의 좌표(X_i, Y_i) 등을 포함한다. 이러한 특징은 전력 공급망의 전기적 연속성, 셀 전력 소비 패턴, 그리고 신호 라우팅에 의해 발생하는 부하 변동을 정량적으로 포착한다.

연속 영역에서는 전력 흐름이 매끄럽게 이어지므로, 가장 단순한 K‑Nearest Neighbor(KNN) 모델이 높은 정확도를 보였다. KNN은 거리 기반 분류이기에 연속적인 전압·전류 구배를 그대로 반영한다는 점이 장점이다. 반면, 설계 경계나 코너와 같이 전력 그리드가 끊기는 ‘비연속 영역’에서는 KNN이 성능 저하를 보이며, 보다 복잡한 비선형 관계를 학습할 수 있는 Random Forest와 다층 퍼셉트론(Neural Network) 모델이 우수했다. 특히 신경망은 층별 비선형 변환을 통해 경계 효과와 불균형 전류 분포를 효과적으로 모델링해, 연속 영역보다 약간 낮은 85 % 수준의 정확도에서도 안정적인 예측을 제공한다.

실험은 오픈소스 OR1200 FPU/FCMP 블록을 대상으로 진행되었으며, Synopsys ICC2로 배치를 수행하고, ANSYS RedHawk으로 사인오프 EM/IR 분석을 수행해 라벨을 생성하였다. 학습 데이터는 42 560개의 연속 윈도우와 900개의 비연속 윈도우로 구성되었으며, 각각 427·411개의 IR 위반과 58·44개의 EM 위반을 포함한다. 결과적으로 연속 영역에서는 KNN이 91.13 %의 정확도를, 비연속 영역에서는 신경망이 85.71 %의 정확도를 달성하였다. 이는 기존 사인오프 툴과 비교해 거의 동일한 핫스팟 탐지율을 유지하면서도, 전통적인 전력 무결성 분석에 비해 수십 배 빠른 실행 시간을 기대할 수 있음을 의미한다.

논문의 한계점으로는 전력 그리드가 균일하다는 가정, 정적 분석에만 초점을 맞춘 점, 그리고 온도·공정 변동을 특징에 포함했지만 실제 변동 모델링이 미흡한 점을 들 수 있다. 향후 연구에서는 비균일 그리드, 동적 전력 변동, 그리고 온도·공정 변동을 정밀히 모델링한 특징 설계와, 그래프 신경망(Graph Neural Network) 등 구조적 정보를 직접 활용하는 방법을 탐색할 여지가 있다.