Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
GPU 가속을 통해 미분 가능한 스위칭 전력 분석 및 최적화를 수행하는 DiffPower 프레임워크를 소개합니다. 바이트코드 표현과 자동 미분을 활용하여 CPU 대비 최대 1,002배 빠른 속도와 높은 정확도를 달성했습니다.
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 바로가기정확하고 확장 가능한 스위칭 전력 분석 (switching power analysis)은 현대 물리 설계 (physical design)에서 여전히 중요한 병목 현상으로 남아 있으며, 종종 계산 속도와 모델링 충실도 (modeling fidelity) 사이의 절충을 강요합니다. 우리는 미분 가능한 전력 분석 및 최적화를 위한 GPU 가속 프레임워크인 DiffPower를 제시합니다. DiffPower는 설계 넷리스트 (netlists)를 PDK에 구애받지 않는 바이트코드 표현 (bytecode representation)으로 변환하여, 역방향 자동 미분 (reverse-mode automatic differentiation)을 통한 해석적 기울기 (analytical gradient) 계산을 가능하게 합니다. 이를 통해 평가된 가장 큰 설계에서 단일 스레드 CPU 전파 (CPU propagation) 대비 최대 $1{,}002 imes$의 속도 향상을 달성하였으며, GPU의 이점은 설계 규모가 커질수록 증가합니다. 해석적 모델링 (analytical modeling)과 병렬 시뮬레이션 (parallel simulation)을 결합한 하이브리드 전파 방법론은 10개의 산업용 및 벤치마크 설계에 대해 중앙값 토글률 상관관계 (median toggle-rate correlation) $r{=}0.96$을 달성했습니다. CPU 유한 차분법 (finite-difference methods)보다 최대 $904 imes$ 빠르게 계산되는 결과물인 extit{전력 기울기 (power gradients)}는 거의 완벽한 순위 일치 (rank agreement)를 보이며, 다음과 같은 두 가지 다운스트림 애플리케이션을 가능하게 합니다: (1) 기울기 가중 셀 사이징 (gradient-weighted cell sizing)은 산업용 설계에서 로컬 전력 휴리스틱 (local-power heuristics) 대비 최대 $2.98 imes$의 개선을 달성하였으며, 경쟁 방법론들이 정체되는 117K-cell 규모에서는 더욱 강력한 이점을 보입니다; (2) 경사 상승법 (gradient ascent)을 통한 파워 바이러스 생성 (power virus generation)은 전통적으로 수 시간이 소요되는 탐색 과정을 대체하여, 최대 $2.13 imes$ 더 높은 전이 가중 전력 (transition-weighted power)을 산출합니다.