[공동연구]

정순규 (전자과 통합과정) , 최원운 (전자과 통합과정), 최준웅 (전자과 박사과정), Anik Biswas (졸업생, 현 삼성전자)

[연구 배경]

아날로그 회로 레이아웃 설계는 고도의 전문 지식이 필요한 수작업 과정으로, 두 가지 핵심 문제가 존재함.

1. 데이터 부족 문제: 딥러닝 학습에 필요한 고품질의 라벨링된 아날로그 레이아웃 데이터가 극히 부족하며, 수동 라벨링에는 막대한 인력이 소요됨.
2. 작업 다양성 문제: 아날로그 레이아웃 설계는 컨택, 비아, 라우팅, N-well 생성 등 매우 다양한 작업으로 구성되며, 기존에는 각 작업마다 별도의 모델을 개발해야함.

[핵심 기술]

• 아날로그 레이아웃 설계를 위한 파운데이션 모델:
 라벨이 없는 데이터로도 학습 가능한 자기지도 학습(Self-Supervised Learning) 기반 파운데이션 모델을 제안하여, 위 두 가지 문제를 동시에 해결함.

• 자동 학습 데이터 생성 (Self-Supervised learning):

• Random Patch Sampling: 레이아웃에서 동일한 크기/해상도의 패치를 무작위로 샘플링하여 편향되지 않은 다양한 패턴 학습
• Random Masking: 레이아웃 요소를 무작위로 제거하여 입력-출력 쌍 자동 생성
• 6개 실리콘 검증 아날로그 회로에서 32.4만 개 학습 데이터 자동 생성 (수동 라벨링 불필요)

[주요 성과]

• 5가지 다운스트림 작업 자동화:
  ① 컨택 연결 ② 비아 연결(M1-M2, M2-M3, M3-M4) ③ 더미 핑거 생성 ④ N-Well 생성 ⑤ 금속 라우팅 생성(M1, M2, M3)

• 높은 성공률:
  1,824개의 벤치마크 레이아웃에 대해 96.6% DRC/LVS 통과율 달성

• 데이터 효율성:

• 메탈 라우팅 작업의 경우, 파인튜닝은 처음부터 학습(training from scratch) 대비 1/8의 데이터만으로 동일 성능(Dice score 0.95) 달성
• 동일 데이터 사용 시, 파인튜닝이 검증 손실 90% 감소, 벤치마크 점수 40% 향상

[성과와 관련된 이미지]

제안된 자기지도 학습을 위한 랜덤 패치 샘플링 및 랜덤 마스킹 테크닉.

다운스트림 작업을 위한 파인튜닝용 학습 데이터 샘플: (a) 컨택 연결, (b) 로컬 비아 연결, (c) 더미 핑거 생성 (d) N-well 생성, 및 (e) 메탈 라우팅 생성

[향후계획]

더 다양한 아날로그 회로 레이아웃 데이터를 확보하여 모델의 일반화 능력을 강화하고, 소자 배치, 대칭 레이아웃, 전원망 설계 등 다양한 다운스트림 작업으로 연구를 확장하여 아날로그 레이아웃 설계 전 과정의 자동화를 실현할 예정이다.

[논문게재]

학술지: IEEE Transactions on Circuits and Systems I (TCAS-I) - SCI 저널