AI와 전자 설계 자동화의 미래 NSF 워크숍 보고서

초록

2024년 12월 캐나다 밴쿠버에서 열린 NSF AI‑EDA 워크숍의 핵심 논의를 정리한 보고서이다. 물리 합성·제조 설계, 고수준·논리 합성, AI 툴박스, 테스트·검증 네 가지 주제로 AI 기술(L​LM, G​NN, RL 등)의 현황, 과제, 그리고 NSF가 지원해야 할 연구·인프라·인력 양성 방안을 제시한다.

상세 분석

이 보고서는 전통적인 전자 설계 자동화(EDA) 흐름이 직면한 복합적인 병목 현상을 AI 기술로 해소하려는 시도를 체계적으로 정리한다. 첫 번째 주제인 물리 합성·제조 설계(DFM)에서는 다목적 최적화, 복잡한 제약, 디자인 룰 체크(DRC) 등 고도화된 문제를 강화학습(RL) 기반 매크로 배치, 서베이 모델을 통한 빠른 타이밍·전력 예측, LLM을 활용한 규칙 자동 생성, 생성형 AI를 이용한 설계 가속화 등으로 접근한다. 그러나 설계마다 다른 공정 노드와 설계 특성에 대한 일반화 부족, 대규모 데이터 확보의 어려움, GPU/TPU와 같은 고성능 컴퓨팅 자원의 요구가 주요 장애물로 지적된다.

두 번째 주제인 고수준·논리 합성(HLS/LLS)에서는 행동 수준의 코드에서 RTL까지 자동 변환하는 과정에서 발생하는 오류와 설계 공간 탐색 비용을 G​NN 기반 성능·전력 예측, 프라그마 삽입 자동화, LLM을 이용한 자연어‑RTL 변환(NL2RTL) 등으로 완화한다. 여기서도 툴체인 변화나 새로운 커널에 대한 도메인 시프트가 모델 성능을 급격히 저하시킬 수 있다는 점이 강조된다. 다중 모달 융합(텍스트+그래프)과 전이 학습, 합성 데이터 생성이 해결책으로 제시된다.

세 번째 섹션인 AI 툴박스는 기존 AI가 오프라인 데이터와 명확한 목표 함수에 의존하는 한계를 지적하고, 불확실성 추정, 에이전트 기반 파이프라인 자동 구성, 블랙박스 최적화와 RL을 통한 설계 공간 탐색, LLM 에이전트를 이용한 엔드‑투‑엔드 워크플로우 자동화 가능성을 탐색한다. 특히 설계 단계마다 다른 목적 함수와 제약 조건을 동적으로 조정할 수 있는 메타‑학습 및 하이브리드 접근법이 강조된다.

마지막으로 테스트·검증 영역에서는 LLM을 활용한 검증 스크립트 자동 생성, G‑QED 기반 빠른 오류 탐지, 퍼징 테스트 자동화, SAT 솔버에 대한 ML 보조 기법 등을 논의한다. AI 기반 검증이 보안 취약점에 노출될 위험과 신뢰성 확보를 위한 설명 가능성, 견고한 검증 파이프라인 설계가 필요함을 역설한다.

전반적으로 보고서는 데이터 인프라 구축, 오픈소스 데이터셋·벤치마크 공유, 확장 가능한 컴퓨팅 자원 제공, 그리고 AI·EDA 융합 인재 양성을 위한 교육·훈련 프로그램 확대를 NSF가 전략적으로 지원해야 한다고 결론짓는다. 이러한 제언은 AI가 설계 주기를 단축하고, 하드웨어 혁신을 민주화하며, 차세대 에너지 효율 컴퓨팅 시스템을 구현하는 데 핵심적인 촉매 역할을 할 것임을 시사한다.