GenAI 기반의 RISC-V 공급망 탐색 접근 방식

본 논문은 RISC-V 공급망 분석을 위해 LLM (Large Language Model) 기반의 워크플로우를 제시하며, 시각-언어 모델 (Vision-Language Models, VLMs)과 모델 주도 공학 (Model-Driven Engineering, MDE)을 통합하여 포괄적이고 다중 모달 (multimodal) 데이터 기반의 통찰력을 제공합니다. 제안된 접근 방식은 텍스트 이해를 위한 LLM과 다이어그램, 표, 스캔된 문서와 같은 시각적 산출물로부터 정보를 추출하기 위한 VLM을 활용함으로써, 이질적이고 비구조화된 공급망 데이터의 문제를 해결합니다. 이러한 모델들은 협력적으로 주요 엔티티 (entities)와 관계를 식별하며, 이는 공급망 구성 요소와 그 상호 의존성을 나타내는 지식 그래프 (knowledge graph)로 조직됩니다. 분석적 추론을 위해, 이 워크플로우는 MDE 기술과 제약 기반 모델링 (constraint-based modeling)을 통합하여 의존성의 형식적 검증 (formal validation), 병목 현상 탐지 및 리스크 평가를 가능하게 합니다. LLM 및 VLM 기반의 의미론적 이해와 MDE 기반의 형식적 분석 사이의 시너지는 공급망 회복 탄력성 (resilience)에 대한 탐색적 및 체계적 평가를 모두 지원합니다. 또한, 인간 참여형 (human-in-the-loop) 메커니즘을 통해 대화형 질의와 전문가 검증을 추가로 지원합니다. 이 접근 방식은 RISC-V 생태계 시나리오에서 평가되었으며, 실행 가능한 통찰력을 생성하고, 투명성을 높이며, 복잡한 반도체 공급망에서의 의사결정을 지원하는 데 있어 그 효과를 입증하였습니다.