CNN 기반 서브셀 자동 탐지와 계층적 레이아웃 생성기 재활용 기법

초록

우리는 기존에 확보된 서브셀 생성기를 효율적으로 재활용하여 아날로그 회로의 기준 레이아웃을 절차적 레이아웃 생성기로 변환하는 기술을 제안한다. 제안된 합성곱 신경망(CNN) 모델은 라이브러리 내에 존재하는 생성 스크립트로 생성 가능한 서브셀을 자동으로 식별하고, 생성기 소프트웨어의 계층 구조에 맞는 위치에 이를 활용하도록 제안한다. 실험에서는 총 4,885개의 서브셀 인스턴스와 145개의 서로 다른 서브셀 설계가 포함된 고속 와이어라인 수신기를 대상으로 하였다. CNN 모델은 서브셀 인스턴스를 51개의 생성 가능한 클래스와 1개의 비생성 가능한 클래스로 분류했으며, 비생성 가능한 클래스는 현재 이용 가능한 생성기가 없음을 의미한다. 모델은 145개의 서로 다른 서브셀 설계에 대해 99.3%의 정밀도를 달성하였다. 또한, 수동 검토에 소요되는 88분을 18초로 단축시켜 검토 시간을 크게 줄였다. 제안된 CNN 모델은 학습 데이터와 크게 다른 새로운 서브셀도 올바르게 분류할 수 있었다.

상세 요약

본 논문은 아날로그 회로 설계 자동화 분야에서 오래된 과제인 “기존 레이아웃을 절차적 생성기로 전환하는 과정”을 혁신적으로 해결하고자 한다. 전통적으로 설계자는 레이아웃을 수동으로 분석하고, 재사용 가능한 서브셀을 찾아내어 스크립트화하는 데 수십 시간에서 수시간이 소요되었다. 이러한 비효율성은 특히 고속 와이어라인 수신기와 같이 수천 개의 서브셀 인스턴스와 수백 개의 설계 변형을 포함하는 복잡한 회로에서 더욱 두드러진다.

제안된 방법은 두 가지 핵심 요소로 구성된다. 첫째, 회로 레이아웃 이미지(또는 메타데이터)를 입력으로 받아 서브셀의 경계와 유형을 자동으로 추출하는 CNN 모델이다. 여기서 사용된 네트워크는 다중 클래스 분류 구조를 갖추고 있으며, 각 클래스는 “생성 가능” 혹은 “비생성 가능”이라는 레이블을 가진다. 학습 단계에서는 145개의 서로 다른 서브셀 디자인을 라벨링하고, 데이터 증강 기법을 통해 다양한 배치와 회전, 스케일 변형을 포함시켜 모델의 일반화 능력을 강화하였다.

둘째, 모델이 식별한 “생성 가능” 서브셀에 대해 기존에 보유한 파라메트릭 생성 스크립트를 자동 매핑하는 알고리즘이다. 이 알고리즘은 서브셀의 계층적 위치 정보를 고려하여, 상위 블록과 하위 블록 사이의 의존 관계를 유지하면서 적절한 생성기를 호출한다. 결과적으로 설계자는 전체 회로를 재구성하는 절차적 코드(예: SKILL, Python 기반 스크립트)를 거의 손수 작성하지 않아도 된다.

실험 결과는 두드러진 성능 향상을 보여준다. 전체 4,885개의 서브셀 인스턴스 중 51개의 클래스로 정확히 분류된 비율은 99.3%에 달했으며, 이는 기존 수동 검토에서 발생할 수 있는 인간 오류를 크게 감소시킨다. 특히, “비생성 가능” 클래스로 분류된 단 하나의 서브셀은 현재 라이브러리에서 지원되지 않는 독자적인 설계임을 의미한다. 이는 설계자가 새로운 생성기를 추가하거나 해당 서브셀을 수동으로 처리해야 함을 명확히 알려준다.

시간 효율성 측면에서도 눈에 띄는 개선이 있다. 수동 검토에 평균 88분이 소요되던 작업을 CNN 기반 자동화로 18초로 단축함으로써, 설계 주기 전체를 수십 배 가속화하였다. 또한, 모델은 학습 데이터에 포함되지 않은 전혀 새로운 서브셀(예: 다른 제조 공정에서 가져온 레이아웃)도 높은 정확도로 분류했으며, 이는 모델이 단순히 패턴을 기억하는 것이 아니라 구조적 특징을 학습했음을 시사한다.

하지만 몇 가지 한계점도 존재한다. 첫째, 현재 모델은 2차원 레이아웃 이미지에 의존하므로, 레이어 스택이나 전기적 연결 정보를 직접 활용하지 못한다. 향후 3D 레이아웃 데이터와 전기적 파라미터를 통합하면 더욱 정교한 서브셀 식별이 가능할 것이다. 둘째, “비생성 가능” 클래스를 자동으로 생성기로 전환하는 메커니즘이 부재하므로, 완전 자동화 수준에 도달하려면 추가적인 생성기 학습 프레임워크가 필요하다. 마지막으로, 고속 회로와 같이 매우 미세한 피처를 가진 경우, 이미지 해상도와 전처리 단계가 결과에 큰 영향을 미칠 수 있다.

종합하면, 본 연구는 CNN을 활용한 서브셀 자동 탐지와 기존 생성기 재활용이라는 새로운 패러다임을 제시함으로써, 아날로그 회로 설계 자동화의 생산성을 크게 향상시켰다. 향후 연구에서는 멀티모달 데이터 통합, 자동 생성기 생성, 그리고 다양한 공정 기술에 대한 일반화 검증을 통해 실용성을 더욱 확대할 수 있을 것으로 기대된다.