CMOS 아날로그 회로 자동 설계에 사용되는 AI·최적화 기법 정리

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

• LLM (Large Language Model)

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

역할

・사양 정리

・회로 구성 제안

・gm/Id 설계 플로우 생성

・SPICE 넷리스트 (netlist) 생성

・Python, SKILL, Ocean 코드 생성

・시뮬레이션 결과 해석

장점

・설계 작업을 대폭 효율화할 수 있음

단점

・성능 보증은 불가능함

・반드시 SPICE 검증이 필요함

현황 (2026년)

・가장 보급이 진행되고 있는 AI 기술

・설계 지원 및 코드 생성에서 널리 이용되고 있음

・단독으로 회로 설계를 완료하는 용도로는 사용되지 않음

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

2. gm/Id 법

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

역할

・MOSFET 사이즈의 초기 설계

・바이어스 전류 결정

・보상 커패시턴스 (compensation capacitance) 설계

장점

・탐색 범위를 좁힐 수 있음

・수렴하기 쉬움

단점

・최종 설계가 아님

현황 (2026년)

・현재도 아날로그 설계의 표준적인 초기 설계법

・AI 설계에서도 초기값 생성으로서 매우 중요함

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

3. SPICE (Spectre, HSPICE 등)

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

역할

・DC 해석

・AC 해석

・TRAN 해석

・Noise 해석

・PVT 해석

・Monte Carlo 해석

장점

・실제 회로 성능을 평가할 수 있음

단점

・시뮬레이션 시간이 김

현황 (2026년)

・아날로그 IC 설계에서 가장 중요한 평가 툴

・AI가 진보해도 SPICE는 필수임

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

4. 베이지안 최적화 (Bayesian Optimization)

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

역할

・SPICE 횟수를 줄이면서 최적해를 탐색

장점

・적은 시뮬레이션 횟수로 탐색 가능

단점

・고차원 문제에서는 성능이 저하됨

현황 (2026년)

・연구 및 기업 모두에서 가장 유력한 AI 최적화 기법

・오피앰프 (Op-amp)나 ADC 설계로의 응용이 진행 중임

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

5. 가우스 과정 회귀 (Gaussian Process)

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

역할

・대리 모델 (surrogate model)

・성능 예측

・불확실성 추정

장점

・적은 데이터로도 고정밀

단점

・설계 변수가 많으면 계산량이 증가함

현황 (2026년)

・베이지안 최적화의 대리 모델로서 널리 이용되고 있음

・단독 이용보다 조합 이용이 주류임

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

6. 수치 최적화

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

역할

・목적 함수를 최소화함

장점

・고속

・구현하기 쉬움

단점

・국소해 (local optimum)에 빠질 수 있음

현황 (2026년)

・EDA 툴에서도 널리 이용

・gm/Id 초기 설계 후의 미세 조정으로서 유효함

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

7. 뉴럴 네트워크 대리 모델

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

역할

・SPICE 대신 성능 예측

장점

・추론 속도가 매우 빠름

단점

・대량의 학습 데이터가 필요함

현황 (2026년)

・연구가 활발함

・일부 기업에서 도입 검토 중

・SPICE를 완전히 대체하는 단계는 아님

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

8. 유전 알고리즘 (GA)

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

역할

・진화적 탐색

장점

・전역 탐색 (global search)에 능숙함

단점

・SPICE 횟수가 많음

현황 (2026년)

・고전적인 최적화 기법

・현재는 베이지안 최적화로 대체되는 사례가 늘고 있음

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

9. 강화학습 (Reinforcement Learning)

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

역할

・설계 조작 그 자체를 학습

장점

・설계 전략을 획득할 수 있음

단점

・학습 비용이 매우 높음

현황 (2026년)

・연구 단계

・실무 이용은 아직 제한적

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

10. GNN (Graph Neural Network)

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

역할

・회로 구조 학습

・레이아웃 기생 성분 (Parasitic) 예측

・성능 예측

장점

・회로 토폴로지 (Topology)를 직접 다룰 수 있음

단점

・구현 난이도가 높음

현황 (2026년)

・최첨단 연구 분야

・EDA로의 응용이 진행 중

・일반적인 실무에서는 아직 보급되지 않음

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

11. 주요 최적화 기법

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

경사 기반 (Gradient-based)

・Gradient Descent

・Stochastic Gradient Descent (SGD)

・Momentum

・AdaGrad

・RMSProp

・Adam

・L-BFGS

・BFGS

・Conjugate Gradient

・Newton 법

・Quasi-Newton 법

제약 조건 최적화 (Constrained Optimization)

・SQP (Sequential Quadratic Programming)

・Interior Point Method

・Trust Region Method

・Penalty Method

・Augmented Lagrangian Method

경사 미사용 최적화 (Derivative-free Optimization)

・Nelder-Mead

・Powell Method

・Pattern Search

・DIRECT

진화 연산 (Evolutionary Computation)

・Genetic Algorithm (GA)

・Differential Evolution (DE)

・Evolution Strategy (ES)

・CMA-ES

군집 지능 최적화 (Swarm Intelligence Optimization)

・Particle Swarm Optimization (PSO)

・Ant Colony Optimization (ACO)

・Artificial Bee Colony (ABC)

・Grey Wolf Optimizer (GWO)

베이즈 최적화 (Bayesian Optimization)

・Gaussian Process Bayesian Optimization

・Tree-structured Parzen Estimator (TPE)

다목적 최적화 (Multi-objective Optimization)

・NSGA-II

・NSGA-III

・MOEA/D

・SPEA2

로버스트·수율 최적화 (Robust & Yield Optimization)

・Yield Optimization

・Robust Optimization

・Worst Case Optimization

・Monte Carlo Based Optimization

현황 (2026년)

・실무에서는 SQP, L-BFGS, Interior Point 등의 수치 최적화가 널리 사용되고 있다.

・AI를 이용한 설계에서는 베이즈 최적화가 가장 주목받고 있으며, 연구에서는 GA, CMA-ES, PSO, 강화학습 (RL) 등도 활발히 검토되고 있다.

・양산 설계에서는 최종적으로 PVT 해석이나 Monte Carlo 해석을 결합한 수율 최적화가 중요하다.

Discussion