딥러닝 기반 초반 단계 IR드롭 예측을 위한 CNN 대체 모델

초록

본 논문은 초반 설계 단계에서 전력 무결성(IR‑Drop) 문제를 빠르게 평가하기 위해, 레이아웃 특성을 입력으로 받아 픽셀‑단위 IR‑Drop 히트맵을 출력하는 U‑Net 기반 CNN 대체 모델을 제안한다. 물리‑영감 합성 데이터셋을 이용해 학습했으며, MSE와 PSNR로 평가한 결과 밀리초 수준의 추론 속도와 높은 예측 정확도를 달성하였다.

상세 분석

이 연구는 VLSI 설계 흐름에서 전력 그리드의 전압 강하, 즉 IR‑Drop을 조기에 탐지하는 필요성에 주목한다. 기존의 물리 기반 시뮬레이션은 정확하지만 레이아웃이 거의 완성된 단계에서만 사용 가능하며, 연산 비용이 매우 높다. 저자는 이를 해결하기 위해 IR‑Drop 예측을 “픽셀‑단위 회귀” 문제로 재정의하고, 64 × 64 크기의 3채널 입력(전력 그리드 강도, 셀 밀도, 스위칭 활동)과 1채널 출력(IR‑Drop 히트맵)으로 구성된 이미지‑투‑이미지 매핑을 설계하였다.

모델 아키텍처는 U‑Net을 기반으로 하며, 인코더‑디코더 구조와 스킵 연결을 통해 전역적인 전력 흐름과 국부적인 핫스팟을 동시에 포착한다. 인코더는 점진적인 다운샘플링으로 전역 컨텍스트를 학습하고, 디코더는 업샘플링 단계에서 스킵 연결을 통해 세밀한 공간 정보를 복원한다. 이는 전통적인 CNN이 겪는 해상도 손실 문제를 완화한다.

데이터는 물리‑영감 합성 방식으로 생성되었다. 전력 그리드 강도(G), 셀 밀도(C), 스위칭 활동(S)를 이용해 IR‑Drop을 ≈ (C × S)/G + ε 로 근사하고, 이후 공간 필터링으로 부드러운 전압 구배와 국부적인 급격한 변화를 동시에 재현한다. 이 과정은 실제 전력 그리드 해석에 필요한 복잡한 PDE(∇·(σ∇V)=‑J)를 직접 풀지 않으면서도 핵심 물리 관계를 보존한다.

학습은 MSE 손실 함수를 사용했으며, 검증 손실 기반 조기 종료와 정규화된 입력을 통해 과적합을 방지한다. 실험 결과는 평균 제곱 오차와 PSNR 기준에서 기존 회귀 기반 방법보다 현저히 우수했으며, 추론 시간은 1 ms 이하로, 설계 반복 주기에 실시간 피드백을 제공한다. 또한, 공개된 GitHub 레포와 Streamlit 인터페이스를 통해 연구 재현성과 실무 적용성을 높였다.

한계점으로는 합성 라벨이 실제 물리 시뮬레이션과 완벽히 일치하지 않으며, 복잡한 비선형 전력 그리드 구조(예: 다중 전압 영역, 비정형 메탈 스택)에는 추가적인 물리적 정교화가 필요하다. 향후 연구에서는 실제 sign‑off 툴에서 추출한 라벨을 혼합 학습하거나, 물리‑인포메드 뉴럴 네트워크(PINN)와 결합해 모델의 일반화 능력을 강화할 수 있다.