• 목록

정순규 (통합과정), 최원준(통합과정), 최준웅 (박사과정), Anik Biswas (졸업생, 현 삼성전자), 김병섭(지도교수)으로 구성된 POSTECH 연구팀의

연구논문 “Foundation Model for Analog Layout Generation with Self-Supervised Learning”이 반도체 설계 분야 최고 권위 학술지인 IEEE Transactions on Circuits and Systems-I(TCAS-I)에 게재되었다.

연구팀은 아날로그 레이아웃 자동생성을 위한 파운데이션 모델의 핵심 난제를 해결하였다.

Chatgpt로 유명해진 파운데이션 모델은 텍스트나 이미지 생성 등에 널리 사용되는 핵심 인공지능 기술이다.

파운데이션 모델은 대규모 데이터를 사전 학습 시킨 뒤, 파인튜닝을 통해 다양한 작업에 널리 적용 될 수 있는 기초 인공지능 모델로서,

많은 데이터를 대량으로 투입하여 성능을 체계적으로 향상 시킬 수 있는 중요한 특징을 가지고 있어, 산업적으로 매우 중요한 플랫폼으로 여겨지고 있다.

그동안 학계에서는 파운데이션 모델을 이용하여 반도체 설계 과정의 어려움을 해결하려는 노력을 많이 시도하였으나 그 실마리를 찾지 못하고 있었다.

특히, 아날로그 레이아웃 설계는 가장 자동화가 어려운 반도체 설계 과정 중 하나로,

아직도 많은 전문 인력들이 오랜 기간동안 회로도와 설계 규칙에 맞게 수 많은 기하학적 패턴을 일일이 그려 넣어 아날로그 레이아웃을 만들고 있기 때문에, 많은 개발 시간과 막대한 비용을 수반한다.

연구진은 파운데이션 모델 개발을 위해 다음의 핵심 문제들을 해결하였다:

1) 반도체 설계는 기업 기밀로 간주되기 때문에 양질의 데이터가 극히 부족하며, 학습을 위한 데이터 라벨링에 수많은 인력이 필요하다. 

2) 아날로그 레이아웃 패턴은 지나치게 다양하기 때문에, 인공지능이 이를 생성할 수 있도록 학습하는 것이 매우 어렵다.

연구진은 아날로그 레이아웃 설계를 잘게 나누고 다시 재 조립하는 방법으로, 아날로그 레이아웃 생성을 위한 자기지도학습방법을 최초로 제안하여 이 문제를 해결하였다. 

연구팀은 이 방법으로 6개의 설계 데이터에서 수작업 라벨링 없이 약 32만개의 학습용 데이터를 마련하였으며, 인공지능은 사전 학습과 파인튜닝을 통해 다른 종류의 5가지 작업을 성공적으로 수행할 수 있었다. 

이 연구 결과를 통해 연구진은 파운데이션 모델의 중요한 특징인 범용성과 적응성을 확인할 수 있었으며, 향후 데이터를 대규모로 늘려 아날로그 레이아웃 생성을 위한 파운데이션 모델을 완성할 계획이다.