SINA: AI가 회로도 이미지를 자동으로 넷리스트로 변환하다

초록

회로도 이미지를 기계가 읽을 수 있는 넷리스트로 변환하는 오픈소스 자동화 도구 ‘SINA’를 소개합니다. YOLO 기반 컴포넌트 감지, 연결 컴포넌트 라벨링(CCL)을 통한 정확한 연결성 추론, OCR과 비전-언어 모델(VLM)을 결합한 참조 지정자 할당 등 다중 AI 기술을 통합했습니다. 실험 결과, 기존 최고 수준 방법 대비 2.72배 향상된 96.47%의 전체 넷리스트 생성 정확도를 달성했습니다.

상세 분석

본 논문이 제안하는 SINA 파이프라인의 기술적 혁신성과 핵심 통찰은 다음과 같습니다.

첫째, 하이브리드 접근법을 통한 강건성 확보가 핵심입니다. 단일 기술에 의존하지 않고, YOLOv11(객체 감지), CCL(이미지 처리), EasyOCR(문자 인식), GPT-4o(VLM)라는 네 가지 이질적인 기술을 유기적으로 결합했습니다. 특히 컴포넌트 감지 단계에서 YOLO의 출력과 VLM(GPT-4o)의 분석 결과를 비교하여 일관성 점수를 계산하는 ‘검증 단계’를 도입한 것은 주목할 만합니다. 이는 단순히 정확도를 높이는 것을 넘어, 시스템의 신뢰성을 사용자에게 투명하게 제공하고 불일치를 플래그하는 ‘설계적 안전장치’를 마련한 것입니다.

둘째, 연결성 추론의 정밀한 문제 해결 방식에 있습니다. 기존 방법이 겪는 난제인 배선의 교차, 접점, 기호 중복을 해결하기 위해 CCL을 전략적으로 적용했습니다. 컴포넌트를 마스킹한 후 순수 배선 영역만을 CCL로 분할하고, 아티팩트(작은 스터브, 루프)를 필터링하며, 두 개 이상의 컴포넌트에 연결된 영역만을 ‘전기적 노드’로 정의하는 과정은 회로의 물리적/전기적 특성을 소프트웨어적으로 정교하게 매핑한 사례입니다. 이는 픽셀 기반 이미지 처리와 회로 네트워크의 그래프적 표현 사이의 간극을 효과적으로 메꾸는 방법론입니다.

셋째, 참조 지정자 할당 문제에 대한 ‘분리-통합’ 전략이 돋보입니다. 텍스트 추출(OCR)과 의미 해석(VLM)을 분리함으로써 각 기술의 강점을 극대화했습니다. OCR은 텍스트의 위치와 형태를 정확히 찾아내는 데 특화되어 있지만, “R1"이 저항을 가리키는지, 아니면 다른 요소의 일부인지 문맥을 이해하지 못합니다. 반면 VLM은 이러한 문맥적 추론에 강하지만, 이미지 내에서 정확한 텍스트 위치를 찾는 데는 한계가 있을 수 있습니다. SINA는 OCR로 텍스트를 추출하고 공간적 근접성을 기반으로 컴포넌트에 임시 매핑한 후, 최종적으로 VLM이 원본 이미지의 시각적 문맥과 연결성 정보를 함께 참조하여 최종 지정자와 값을 할당합니다. 이는 모듈식 설계의 장점을 보여주며, 향후 개별 모듈의 성능 향상이 전체 시스템 성능으로 직결될 수 있는 유연한 구조입니다.

마지막으로, 오픈소스 생태계 기여와 실용적 평가 측면에서 의미가 큽니다. 공개된 벤치마크와 함께 오픈소스로 도구를 공개함으로써 연구의 재현성을 높이고, 향후 연구의 기반을 마련했습니다. 평가 또한 컴퓨터 생성, 스캔, 손으로 그린 도면 등 다양한 스타일의 회로도를 포함해 실용적인 조건에서 진행되었습니다. 35.5%의 정확도를 보인 기존 유일한 오픈소스 도구 Masala-CHAI와의 비교를 통해 96.47%라는 압도적 성능 향상을 입증한 점은 SINA의 실용성을 강력하게 뒷받침합니다.