核心概念
기존 AI4EDA 접근법의 한계를 극복하고 회로 설계 프로세스의 핵심에 AI를 통합하는 새로운 패러다임 전환이 필요하다. 이를 위해 다양한 데이터 소스를 통합하고 회로의 풍부한 의미와 구조를 해석할 수 있는 대규모 회로 모델(LCM)의 개발이 핵심이다.
要約
이 논문은 AI 기반 EDA의 새로운 패러다임인 "AI-native EDA"를 제안한다. 기존 AI4EDA 접근법은 회로 설계의 고유한 복잡성을 충분히 고려하지 않아 한계가 있다. 이에 저자들은 다양한 데이터 소스(기능 사양, RTL 설계, 회로 넷리스트, 물리적 레이아웃 등)를 통합하고 회로의 풍부한 의미와 구조를 해석할 수 있는 대규모 회로 모델(LCM)의 개발을 제안한다.
LCM은 설계 단계 전반에 걸쳐 다양한 표현을 융합하고 정렬하여 기능 사양에서 물리적 레이아웃에 이르는 통합된 관점을 제공할 수 있다. 이를 통해 EDA 프로세스를 간소화하고, 시장 출시 시간을 단축하며, 성능, 전력, 면적(PPA) 설계를 개선할 수 있다.
논문은 LCM 개발의 실현 가능성과 약속을 설명하고, 단일 모달 및 다중 모달 회로 표현 학습의 핵심 역할을 다룬다. 또한 LCM의 다양한 응용 사례와 특수 회로 도메인에의 적용, 그리고 채택과 관련된 과제와 기회를 탐구한다.
統計
회로 설계 프로세스는 기능 사양, RTL 설계, 회로 넷리스트, 물리적 레이아웃 등 다양한 데이터 소스로 구성된다.
회로 데이터는 전기, 논리, 물리적 측면이 복잡하게 얽혀 있어 기존 AI4EDA 접근법의 한계가 있다.
대규모 회로 모델(LCM)은 설계 단계 전반에 걸쳐 다양한 표현을 융합하고 정렬하여 통합된 관점을 제공할 수 있다.
LCM을 통해 EDA 프로세스 간소화, 시장 출시 시간 단축, PPA 설계 개선이 가능하다.
引用
"기존 AI4EDA 접근법은 회로 설계의 고유한 복잡성을 충분히 고려하지 않아 한계가 있다."
"대규모 회로 모델(LCM)은 설계 단계 전반에 걸쳐 다양한 표현을 융합하고 정렬하여 통합된 관점을 제공할 수 있다."
"LCM을 통해 EDA 프로세스를 간소화하고, 시장 출시 시간을 단축하며, 성능, 전력, 면적(PPA) 설계를 개선할 수 있다."