AI
주문형 반도체 Floorplan 자동화 (3)
두줄요약
ASIC floorplan 자동화에 강화학습을 적용해 엔지니어 대비 수행 시간을 크게 줄이고 성능을 개선한 사례를 소개했습니다. standard cell 처리, 분산 학습, 후처리까지 더해 현실적인 배치 자동화 가능성을 확인했습니다.
문제 상황
- ASIC physical design에서 floorplan은 엔지니어 경험 의존도가 높아 수행 시간과 품질 편차가 큰 작업
- P&R 반복까지 포함하면 설계 기간이 길어지고, 자동화 솔루션 부재로 최적 배치 탐색이 어려운 상황
- 고복잡도 디자인에서는 standard cell 수 증가와 평가 비용 때문에 강화학습 적용 난이도 상승
원인 분석
- floorplan은 이후 배치될 소자와 연결을 함께 예측해야 해 탐색 공간이 매우 큼
- EDA 툴로 배치를 평가하는 데 시간이 오래 걸려 학습 병목 발생
- clustering 오차, 모델 연산량, deadspace 등 현실 배치와 학습 환경 간 괴리 존재
해결 방법
- 빠른 평가 metric과 자체 환경을 구성해 강화학습으로 macro 배치 전략 학습
- standard cell clustering 개선, force-directed placement 도입, DDPPO 활용으로 학습 효율과 안정성 향상
- CNN 중심 모델로 단순화하고 deadspace 제거 후처리를 추가해 최종 배치 품질 보정