AutoPPA: 코드 기반 규칙 학습으로 PPA 최적화 자동화
요약
본 논문은 회로의 성능, 전력, 면적(PPA) 최적화를 위한 완전 자동화 프레임워크인 AutoPPA를 제안합니다. 기존 방식들은 사전 지식에 의존하거나 비효율적이었습니다. AutoPPA는 Explore-Evaluate-Induce ($E^2I$) 워크플로우를 사용하여, 수동으로 정의된 규칙 대신 다양한 생성 코드 쌍에서 최적화 규칙을 자동으로 추출하고 추상화하는 것이 핵심입니다. 이 프레임워크는 적응형 다단계 검색(adaptive multi-step search)을 통해 특정 회로에 가장 효과적인 규칙들을 선택하며, 기존의 최고 실
핵심 포인트
- AutoPPA는 PPA 최적화를 위해 완전 자동화된 프레임워크를 제공합니다.
- 핵심은 $E^2I$ 워크플로우를 사용하여 코드 쌍에서 최적화 규칙을 자동으로 추출하고 추상화하는 것입니다.
- 이 방법은 수동으로 정의된 지식에 의존하지 않아 일반화 성능이 뛰어납니다.
- AutoPPA는 적응형 다단계 검색을 통해 주어진 회로에 가장 효과적인 규칙들을 선택합니다.
- 실험 결과, AutoPPA는 기존의 최신 기법들보다 우수한 성능을 입증했습니다.
회로 설계에서 성능(Performance), 전력(Power), 면적(Area) (PPA) 최적화는 필수적인 작업입니다. 이 과정은 회로 구조와 PPA 지표 간의 관계를 정확히 이해해야 합니다.
최근 LLM을 활용하여 이 과정을 자동화하려는 시도가 있었으나, 기존 방식들은 사전 지식에 크게 의존하거나 효율성이 떨어지는 문제가 있었습니다. 이에 본 논문에서는 완전 자동화된 PPA 최적화 프레임워크인 AutoPPA를 제안합니다.
AutoPPA의 핵심 아이디어는 최적 해답 탐색을 향상시키는 최적화 규칙들을 자동으로 생성하는 것입니다. 이를 위해 $E^2I$ (Explore-Evaluate-Induce) 워크플로우를 사용하며, 수동으로 정의된 지식 대신 다양한 생성 코드 쌍으로부터 규칙을 대비(contrast)하고 추상화합니다.
또한, AutoPPA는 일반화 성능을 높이기 위해 적응형 다단계 검색 프레임워크를 채택했습니다. 이 구조는 주어진 회로에 가장 효과적인 규칙들을 선택적으로 적용할 수 있게 합니다. 실험 결과, AutoPPA는 기존의 최적화 방법들뿐만 아니라 SymRTLO 및 RTLRewriter 같은 SOTA(State-of-the-Art) 기법들보다 뛰어난 성능을 보여주었습니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.AR의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기