Dr.RTL: 도구 기반 자율 에이전트 시스템을 활용한 현실적인 RTL 최적화

최근 대규모 언어 모델(LLMs)의 발전은 성능, 전력, 면적 (PPA: Power, Performance, Area) 측면에서 자동 RTL 최적화에 대한 관심을 증대시켰습니다. 하지만 기존 연구들은 여전히 실제 산업 환경과는 거리가 먼 한계를 가지고 있습니다.

기존 방법론들의 주요 문제점은 다음과 같습니다:

1. 비현실적인 평가 설정: 수동으로 저하된 소규모 RTL 디자인을 대상으로 테스트하며, 신뢰도가 낮은 오픈소스 도구에 의존하는 경우가 많습니다.
2. 제한적인 최적화 방식: 설계 레벨의 거친 피드백(coarse design-level feedback)과 단순하게 미리 정의된 재작성 규칙(pre-defined rewriting rules)에만 의존합니다.

이러한 한계를 극복하기 위해, 본 논문은 Dr.RTL이라는 에이전트 프레임워크를 제안합니다. Dr.RTL은 현실적인 평가 환경에서 RTL 타이밍 최적화를 수행하며, 재사용 가능한 최적화 스킬을 통해 지속적인 자가 개선(continual self-improvement)이 가능하도록 설계되었습니다.

Dr.RTL의 핵심 구성 요소 및 작동 방식:

1. 현실적인 평가 환경 구축: 산업 표준 EDA (Electronic Design Automation) 워크플로우를 모방하여, 더 도전적이고 현실적인 RTL 디자인을 대상으로 최적화를 수행합니다.
2. 다중 에이전트 폐쇄 루프(Closed-loop) 최적화: 다중 에이전트 프레임워크를 활용하여 다음과 같은 복잡한 작업을 순환적으로 처리합니다:
   • 크리티컬 패스 분석 (critical-path analysis)
   • 병렬 RTL 재작성 (parallel RTL rewriting)
   • 도구 기반 평가 (tool-based evaluation)
3. 그룹 상대 스킬 학습 (Group-relative Skill Learning): 이 독창적인 기법은 여러 개의 병렬 RTL 재작성을 비교 분석하고, 그 최적화 경험을 해석 가능한 '스킬 라이브러리(skill library)'로 추출하여 지식으로 축적합니다.

이 스킬 라이브러리는 현재 47개의 패턴-전략(pattern--strategy) 엔트리를 포함하며, 이를 통해 디자인 간 재사용성을 높여 PPA 개선과 수렴 속도 가속화에 기여하고 시간이 지나면서 계속 진화할 수 있습니다.

성능 검증:

Dr.RTL은 20개의 실제 실세계 RTL 디자인을 대상으로 평가되었으며, 그 결과는 업계 최고 상용 합성 도구(industry-leading commercial synthesis tool) 대비 다음과 같은 뛰어난 성능 향상을 입증했습니다:

• 평균 WNS (Worst Negative Slack)/TNS (Total Negative Slack) 개선율: 각각 21%/17%
• 면적 감소: 6%