[논문 리뷰] Machine Learning for Electronic Design Automation: A Survey

Guyue Huang, Jingbo Hu외 14명|arXiv (Cornell University)|2021. 01. 10.

VLSI and FPGA Design TechniquesEngineering참고 문헌 167인용 수 18

한 줄 요약

이 종합 검토는 전자 설계 자동화(EDA) 분야에서 기계학습(ML) 응용을 종합적으로 다루며, EDA 프로세스 단계별로 연구를 정리한다. ML이 설계 작업의 자동화—결정 지원, 성능 예측, 블랙박스 최적화, 종단 간 AI 기반 설계—에서 수행하는 역할을 강조하며, 기존 방법 대비 확장성과 효율성 향상이 뚜렷하게 나타남을 보여준다.

ABSTRACT

With the down-scaling of CMOS technology, the design complexity of very large-scale integrated (VLSI) is increasing. Although the application of machine learning (ML) techniques in electronic design automation (EDA) can trace its history back to the 90s, the recent breakthrough of ML and the increasing complexity of EDA tasks have aroused more interests in incorporating ML to solve EDA tasks. In this paper, we present a comprehensive review of existing ML for EDA studies, organized following the EDA hierarchy.

연구 동기 및 목표

• 최근 5년간 기계학습(ML)이 전자 설계 자동화(EDA)에 통합된 최근 동향을 체계적으로 검토하기 위해.
• 고수준 합성, 논리 합성, 물리 설계, 검증 등의 설계 프로세스 계층에 따라 EDA 내 ML 응용을 분류하기 위해.
• EDA 내 ML 기법의 진화를 분석하기 위해—기존 히ュ리스틱 기반 결정보조에서 종단 간 강화학습 기반 자동화로의 전환.
• 산업적 EDA 응용에서 데이터 효율성, 도메인 적응, 모델 신뢰성 등의 주요 과제를 특정하기 위해.
• 향후 연구 방향을 제시하기 위해—더 깊이 있는 ML 통합을 통해 EDA 도구의 신뢰성과 자동화 수준을 향상시키기 위함.

제안 방법

• EDA 프로세스 단계별로 기존 ML-EDA 연구를 정리함: 고수준 합성, 논리 합성 및 물리 설계, 마스크 합성, 아날로그 설계, 테스트/검증, SAT 해결.
• ML 응용을 네 가지 유형으로 분류함: 기존 EDA에서의 결정 지원, 성능 예측, 블랙박스 최적화, 종단 간 학습을 통한 자동 설계.
• 특징 공학 기법을 검토함—이미지 기반, 기하학적, 그래프 기반, 수작업으로 설계된 특징을 포함하며, 정규화 및 차원 축소 등의 전처리 단계 포함.
• 도메인 적응 전략을 분석함—다른 플랫폼 간 성능 추정 및 사전 학습된 강화학습 에이전트의 미세조정을 통한 새로운 설계 도메인에의 신속한 적응.
• 데이터 효율성 기법을 논의함—반감독 학습 및 활성 학습을 통해 고비용 시뮬레이션 또는 합성 레이블에 대한 의존도를 줄임.
• EDA 환경에서의 최신 ML 모델 평가—그래프 신경망(GNNs), 포인트 클라우드 표현, 트랜스포머 기반 아키텍처 등.

실험 결과

연구 질문

• RQ1 기계학습은 고수준 합성부터 물리 설계 및 검증에 이르기까지 EDA 설계 프로세스의 다양한 단계에 어떻게 통합되었는가?
• RQ2 EDA에서 주로 사용되는 핵심 ML 철학—예측 학습, 강화학습, 전이 학습—은 무엇이며, 자동화 수준과 성능에서 어떻게 다를 수 있는가?
• RQ3 ML 모델은 전통적인 히ュ리스틱 기반 EDA 도구에 비해 설계 품질 향상과 실행 시간 단축에 얼마나 기여할 수 있는가?
• RQ4 산업적 EDA에 ML을 구현할 때 남아 있는 과제는 무엇인가—특히 데이터 효율성, 모델 일반화, 신뢰성 측면에서.
• RQ5 전이 학습 및 도메인 적응 기법은 다양한 설계 플랫폼이나 기술로의 모델 재학습 필요성을 얼마나 줄일 수 있는가?

주요 결과

• ML 기반 방법은 설계 공간 탐색, 배치, 루팅에서 뚜렷한 성능 향상을 보이며, 실행 시간 단축과 함께 배선 길이 및 타이밍 지표 향상.
• 이력 설계 데이터 기반으로 학습된 성능 예측 모델은 최소한의 합성 오버헤드로 설계 품질을 정확히 추정할 수 있어 더 빠른 설계 반복 가능.
• 강화학습 및 블랙박스 최적화 프레임워크는 복잡한 EDA 작업(예: 배치 및 루팅)의 종단 간 자동화를 가능하게 하여 기존 도구와 경쟁력 있거나 그 이상의 성능 제공.
• 사전 학습된 RL 에이전트의 전이 학습 및 미세조정은 새로운 설계 도메인에 대해 최소한의 재학습으로 신속한 적응 가능하게 하여 배포 비용 절감.
• 진전에도 불구하고 순수 ML 기반 EDA 도구는 여전히 산업적 신뢰성과 정확성 기준을 충족하지 못해 하이브리드 ML-기존 방법의 필요성 부각.
• ML 모델의 신뢰성, 공정성, 해석 가능성은 산업적 도입에 있어 중요한 장벽으로 남아 있어, EDA 분야에서의 설명 가능하고 신뢰할 수 있는 AI에 대한 추가 연구 필요.