BRIDGES: EDA 작업에서 LLM과 그래프 모달리티의 혁신적인 통합

BRIDGES는 EDA 작업에 그래프 모달리티를 통합한 LLM 프레임워크로, 자동화된 데이터 생성 및 경량 크로스-모달 프로젝터를 통해 기존 방식 대비 2배에서 10배까지 성능 향상을 달성했습니다. 방대한 데이터셋과 뛰어난 성능으로 EDA 분야의 혁신을 주도할 것으로 기대됩니다.

EDA의 혁명: 그래프와 LLM의 만남

전자 설계 자동화(EDA) 분야는 그래프 기반 데이터를 광범위하게 활용하지만, 기존의 대규모 언어 모델(LLM)은 그래프 데이터를 효과적으로 처리하는 데 어려움을 겪어왔습니다. 그래프를 순차적인 텍스트로 변환하거나, 중요한 그래프 구조 데이터(예: RTL 코드의 데이터 흐름 그래프)를 무시하는 경우가 많았죠. 최근 연구에 따르면, 그래프를 텍스트로 변환하여 LLM에 입력하는 방식은 성능 저하를 야기하며, 추가적인 그래프 정보를 활용하면 성능이 크게 향상된다는 사실이 밝혀졌습니다.

BRIDGES: 한계를 뛰어넘는 다리

이러한 문제를 해결하기 위해, Wei Li, Yang Zou 등이 이끄는 연구팀은 BRIDGES라는 획기적인 프레임워크를 개발했습니다. BRIDGES는 LLM에 그래프 모달리티를 통합하여 EDA 작업의 성능을 극대화하는 데 초점을 맞추고 있습니다. 자동화된 데이터 생성 워크플로우, 그래프 모달리티와 LLM을 결합하는 솔루션, 그리고 종합적인 평가 도구를 포함하는 포괄적인 시스템이죠.

BRIDGES의 핵심 기능:

• 자동화된 데이터 생성: RTL 및 Netlist 수준의 데이터를 생성하고, 이를 데이터 흐름 및 Netlist 그래프와 기능 설명으로 변환하는 LLM 기반 워크플로우를 구축했습니다. 이를 통해 50만 개 이상의 그래프 인스턴스와 15억 개 이상의 토큰으로 구성된 방대한 데이터셋을 구축했습니다. 이는 기존 연구를 압도하는 규모입니다.
• 경량 크로스-모달 프로젝터: 그래프 표현을 LLM이 이해할 수 있는 텍스트 기반 프롬프트로 변환하는 경량 프로젝터를 개발했습니다. 이는 LLM의 아키텍처를 변경하지 않고도 그래프 데이터를 효과적으로 활용할 수 있도록 합니다. 연구진은 모델 가중치 증가가 1% 미만, 추가 실행 시간 오버헤드가 30% 미만이라고 밝혔습니다.
• 괄목할 만한 성능 향상: 실험 결과, 여러 EDA 작업에서 기존 텍스트 기반 방식 대비 2배에서 10배까지 성능 향상을 보였습니다. 설계 검색 정확도, 유형 예측, 기능 설명의 퍼플렉서티 등에서 모두 뛰어난 성능을 기록했으며, LLM을 추가로 미세 조정하지 않아도 텍스트 기반 방식을 크게 앞질렀습니다.

미래를 향한 발걸음

연구팀은 데이터셋, 모델, 그리고 학습 흐름을 포함한 BRIDGES를 공개할 계획입니다. BRIDGES는 EDA 분야의 혁신을 이끌고, 더욱 효율적이고 정확한 전자 설계를 가능하게 할 것으로 기대됩니다. 이 연구는 LLM과 그래프 데이터의 통합이라는 새로운 가능성을 제시하며, 앞으로 다양한 분야에서의 응용을 기대하게 합니다.