cktFormer: 자동 아날로그 회로 설계를 위한 트랜스포머 기반 접근 방식

회로 설계는 전자기 공학의 전문 지식이 필요한 복잡하고 반복적인 과정입니다. 이는 전력 효율성, 비용 효율성, 신호 무결성과 같은 성능 제약 조건을 충족하면서 부품을 선택하는 것을 포함합니다. 하지만 수동 설계는 시간이 많이 걸리고 오류가 발생하기 쉽습니다. 제조 파이프라인의 다른 단계들은 AI 기반 최적화의 혜택을 받았지만, 회로 설계는 여전히 병목 현상으로 남아 전체 생산성을 제한하고 있습니다. 생성형 AI와 머신러닝은 이 단계를 자동화하고 개선할 잠재력을 제공하여 효율성과 정확도를 높일 수 있습니다. 이에 대응하기 위해, 우리는 어텐션 메커니즘을 활용하여 복잡하고 비순차적인 회로 관계를 모델링함으로써 AI와 회로 설계 간의 격차를 해소하는 이중 트랜스포머 아키텍처를 소개합니다. 우리의 접근 방식은 넷리스트(netlist) 데이터를 그래프 기반 표현으로 구조화하여, 회로 토폴로지 및 부품 상호작용을 효과적으로 학습할 수 있게 합니다. 이 시스템은 두 개의 상호 연결된 모델로 구성됩니다: 부품을 제안하는 노드 예측 모델과 유효한 연결을 추론하는 엣지 예측 모델입니다. 이러한 협력적이고 분리된 설계는 부품 수준의 의미론(semantics)과 전역 구조적 일관성(global structural coherence)을 모두 포착합니다. 실험에서, 이 아키텍처는 생성된 회로의 유효성 측면에서 AnalogGenie나 cktGNN 같은 최근 모델들보다 우수한 성능을 보였습니다. 기존 방법론의 주요 한계를 해결함으로써, 우리의 연구는 전자기 공학 분야의 자동화를 진전시키고 AI 기반 회로 합성(circuit synthesis)을 위한 벤치마크를 제공합니다.