[논문 리뷰] AI/ML Algorithms and Applications in VLSI Design and Technology

Deepthi Amuru, Harsha V. Vudumula외 5명|arXiv (Cornell University)|2022. 02. 21.

Advancements in Semiconductor Devices and Circuit Design인용 수 7

한 줄 요약

이 논문은 VLSI 설계 및 제조 분야에서의 AI/ML 응용을 검토하며, 기계학습 기법이 추상화 수준 전반에서 데이터 집약적인 작업을 자동화하여 설계 복잡도를 감소시키고, 전환 시간을 가속화하며, 칩 수율을 향상시키는 방법을 보여줍니다. 특히 배치, 루팅, 수율 예측, 테스트 최적화에 대해 지도학습, 비지도학습, 딥러닝 방법을 강조합니다.

ABSTRACT

An evident challenge ahead for the integrated circuit (IC) industry in the nanometer regime is the investigation and development of methods that can reduce the design complexity ensuing from growing process variations and curtail the turnaround time of chip manufacturing. Conventional methodologies employed for such tasks are largely manual; thus, time-consuming and resource-intensive. In contrast, the unique learning strategies of artificial intelligence (AI) provide numerous exciting automated approaches for handling complex and data-intensive tasks in very-large-scale integration (VLSI) design and testing. Employing AI and machine learning (ML) algorithms in VLSI design and manufacturing reduces the time and effort for understanding and processing the data within and across different abstraction levels via automated learning algorithms. It, in turn, improves the IC yield and reduces the manufacturing turnaround time. This paper thoroughly reviews the AI/ML automated approaches introduced in the past towards VLSI design and manufacturing. Moreover, we discuss the scope of AI/ML applications in the future at various abstraction levels to revolutionize the field of VLSI design, aiming for high-speed, highly intelligent, and efficient implementations.

연구 동기 및 목표

• 공정 변동성과 소자 크기의 감소로 인해 VLSI 설계의 복잡도와 소요 시간이 증가하고 있는 문제를 해결하기 위해.
• 기존의 규칙 기반 EDA 도구의 한계를 극복하기 위해, 이는 수동적이고 느리며 현대의 나노스케일 IC에는 비효율적이기 때문이다.
• AI/ML를 활용해 데이터 기반의 자동 의사결정을 가능하게 하여 VLSI 설계 및 제조의 수율 향상과 시장 진입 시간 단축을 실현하기 위해.
• 학습 데이터의 격차를 식별하고, AI/ML의 VLSI CAD 분야에서의 도입을 가속화하기 위해 표준화되고 개방된 데이터셋을 제안하기 위해.
• 향후 방향성으로 차분 프로그래밍과 양자 기계학습을 고려하여 차세대 EDA를 위한 연구를 전개하기 위해.

제안 방법

• 공정 변동성 모델링과 회로 성능 예측을 위해 지도학습, 비지도학습, 준지도학습 기반 기계학습을 활용합니다.
• 다층 퍼셉트론(MLPs)과 컨볼루션 신경망(CNNs)을 포함한 신경망을 활용해 설계 결과를 분류하고 예측합니다.
• 클러스터링 및 분류 알고리즘을 VLSI 파artitioning에 통합하여 설계 데이터 내 숨겨진 패턴을 발견합니다.
• 물리적 설계에 AI/ML를 적용해 자동화된 배치 및 루팅을 실현하여 설계 비용을 감소시키고 최적화를 향상시킵니다.
• 리소그래피, 마스크 합성, 보정에서의 컴팩트 패턴 모델링을 위해 AI/ML를 활용하여 제조 가능성을 향상시킵니다.
• 후실리콘 검증 및 테스트 케이스 재정렬에 ML을 구현하여 테스트 중 전력 소모를 줄입니다.

실험 결과

연구 질문

• RQ1 강력한 CMOS 스케일링 조건 하에서 AI/ML은 VLSI 설계의 복잡도와 전환 시간을 어떻게 줄일 수 있는가?
• RQ2 기계학습은 나노스케일 IC의 매개변수 변동성을 관리하고 수율 예측을 어떻게 향상시킬 수 있는가?
• RQ3 클러스터링 및 분류 알고리즘은 VLSI 설계 데이터 내 숨겨진 관계를 식별하는 데 어떤 역할을 하는가?
• RQ4 AI/ML은 EDA 도구에 어떻게 통합되어 물리적 설계 작업인 배치 및 루팅을 자동화할 수 있는가?
• RQ5 반도체 제조, 테스트, 디버깅 분야에서 AI/ML를 사용할 때의 과제와 기회는 무엇인가?

주요 결과

• AI/ML 알고리즘은 VLSI 설계 추상화 수준 전반에서 다차원적이고 대량의 데이터를 처리하는 데 소요되는 시간과 노력을 크게 감소시킵니다.
• 기계학습은 자동화된 데이터 기반 최적화를 가능하게 하여 IC 수율 향상과 제조 전환 시간 단축에 기여합니다.
• 지도학습 및 딥러닝 모델, 특히 CNNs와 MLPs는 성능 예측 및 결함 탐지에 강력한 잠재력을 보입니다.
• 클러스터링 및 분류 기법은 설계 속성 간의 관계를 예측함으로써 VLSI 파artitioning의 성능을 향상시킵니다.
• AI 기반 테스트 케이스 재정렬은 테스트 중 전력 소모를 줄여 전체 테스트 비용을 낮춥니다.
• AI/ML의 EDA 워크플로우 통합은 더 예측 가능한 물리적 구현을 가능하게 하며, 확장 가능하고 고성능의 IC 설계를 지원합니다.