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

요약

본 논문은 대규모 언어 모델(LLMs)의 발전에도 불구하고 기존 RTL 최적화 방법론이 비현실적인 평가 환경과 제한적인 규칙에 머물러 있음을 지적하며, 이를 해결하기 위한 에이전트 프레임워크인 Dr.RTL을 제안합니다. Dr.RTL은 실제 산업 EDA 워크플로우를 모방한 현실적인 평가 환경에서 작동하며, 다중 에이전트를 통해 크리티컬 패스 분석, 병렬 RTL 재작성 등을 수행하고, '그룹 상대 스킬 학습(group-relative skill learning)'을 도입하여 최적화 경험을 해석 가능한 스킬 라이브러리로 축적합니다. 20

핵심 포인트

• Dr.RTL은 실제 산업 EDA 워크플로우를 반영한 현실적인 평가 환경에서 RTL 타이밍 최적화를 수행하는 에이전트 프레임워크입니다.
• 다중 에이전트 구조를 통해 크리티컬 패스 분석, 병렬 RTL 재작성 등 복잡한 작업을 처리하며 폐쇄 루프(closed-loop) 최적화가 가능합니다.
• 그룹 상대 스킬 학습을 도입하여 여러 디자인 간의 RTL 재작성 경험을 비교하고, 이를 47개의 패턴-전략 엔트리로 구성된 해석 가능한 스킬 라이브러리에 축적합니다.
• 20개의 실제 실세계 RTL 디자인에 대해 업계 최고 상용 합성 도구 대비 평균 WNS/TNS 개선율 21%/17%, 면적 6% 감소를 달성했습니다.