DeepCell: 사후 매핑 넷리스트를 위한 혁신적인 멀티뷰 표현 학습

DeepCell은 PM 넷리스트와 AIG의 구조적, 기능적 통찰력을 통합하는 멀티뷰 표현 학습 프레임워크로, MCM(Mask Circuit Modeling) 메커니즘을 통해 자가 지도 학습을 수행하여 기존 방법보다 높은 예측 정확도와 재구성 충실도를 달성했습니다. 기능적 ECO에 적용하여 패치 생성 비용 및 실행 시간 감소와 품질 향상을 이끌어냈습니다.

DeepCell: EDA 분야의 혁신을 이끄는 멀티뷰 표현 학습 프레임워크

점점 더 복잡해지는 현대 회로 설계

오늘날의 전자 회로는 그 복잡성이 날로 증가하고 있습니다. 이러한 복잡성은 전자 설계 자동화(EDA) 분야에 새로운 과제를 제시하는데, 그 중 하나가 바로 사후 매핑(Post-Mapping, PM) 넷리스트에 대한 효과적인 표현 학습입니다. 기존의 방법들은 주로 AIG(And-Inverter Graphs)와 같은 중간 표현에 의존하여 사후 합성 단계에서만 제한적으로 적용 가능했습니다.

DeepCell: PM 넷리스트의 새로운 지평을 열다

Shi Zhengyuan 등 연구진이 개발한 DeepCell은 이러한 한계를 극복하기 위해 등장했습니다. DeepCell은 PM 넷리스트와 AIG 모두의 구조적 및 기능적 통찰력을 통합하는 혁신적인 멀티뷰 표현 학습 프레임워크입니다. 단순한 중간 표현에 의존하지 않고, 다양한 관점에서 넷리스트를 분석하여 더욱 풍부하고 일반화 가능한 임베딩(embedding)을 학습합니다.

MCM(Mask Circuit Modeling): 자가 지도 학습의 힘

DeepCell의 핵심 기술은 바로 MCM(Mask Circuit Modeling) 입니다. MCM은 사전 학습된 AIG 인코더를 활용하여 PM 넷리스트 표현을 자가 지도 방식으로 개선합니다. 이는 마치 스스로 학습하며 발전하는 인공지능과 같습니다. 이를 통해 DeepCell은 기존 방법들을 뛰어넘는 예측 정확도와 재구성 충실도를 달성했습니다.

실제 적용 및 놀라운 결과: 기능적 ECO 개선

DeepCell의 효과를 검증하기 위해 연구진은 기능적 ECO(Engineering Change Orders)에 DeepCell을 적용했습니다. 그 결과, 패치 생성 비용과 실행 시간이 크게 감소했을 뿐만 아니라 패치 품질까지 향상되는 놀라운 결과를 얻었습니다. 이는 DeepCell이 실제 산업 현장에서도 혁신적인 성과를 가져올 수 있음을 보여줍니다.

결론: EDA 분야의 새로운 표준

DeepCell은 PM 넷리스트 표현 학습 분야에 새로운 기준을 제시하며 EDA 분야에 혁신적인 변화를 가져올 것으로 기대됩니다. 그 뛰어난 성능과 실용성은 앞으로 더욱 복잡해질 전자 회로 설계에 효율성과 정확성을 더할 것입니다. DeepCell의 등장은 단순한 기술적 발전을 넘어, 더욱 스마트하고 효율적인 전자 제품 개발의 꿈을 한층 더 가깝게 만들어 주는 쾌거입니다.