Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
본 논문은 LLM이 레이아웃 엔지니어 역할을 수행하는 아날로그 배치 프레임워크를 제안합니다. 이 프레임워크는 면적, 매칭 등 복잡한 트레이드오프 문제를 해결하기 위해 구성 가능한 컴포넌트를 활용합니다. SMIC 180 nm 회로 평가 결과, 배치 면적 감소와 후(post)-배치 성능 지표 개선을 입증했습니다.
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 바로가기아날로그 배치는 면적(area), 매칭(matching), 라우팅 가능성(routability), 전기적 성능(electrical performance) 간의 회로별 트레이드오프를 요구합니다. 미리 정의된 목표와 고정된 배치 흐름을 통해 이러한 트레이드오프를 균형 있게 맞추는 것은 여전히 어렵습니다.
본 논문에서는 대규모 언어 모델(LLM)이 구성 가능한 배치 컴포넌트를 통해 레이아웃 엔지니어 역할을 수행하는 아날로그 배치 프레임워크를 제안합니다. 이 컴포넌트들은 제약 조건 관리, 배치를 통한 합법화(placement and legalization), 그리고 라우팅 가능성과 전기적 성능의 경량 평가를 지원합니다. 초기 및 진화하는 설계의 멀티모달 체크포인트를 사용하여 LLM은 자체 배치 흐름을 구성하고 수정하기 위해 컴포넌트들을 선택하고 결합합니다. 또한 모듈을 재개방하거나 파티셔닝 및 장치 그룹화를 통해 배치 계층 구조(placement hierarchy)를 조정하여, 로컬 레이아웃이 글로벌 설계 요구 사항에 대응할 수 있도록 합니다. 경험 스킬(experience skill)은 이러한 의사결정을 안내하는 재사용 가능한 설계 지식을 제공합니다.
두 개의 SMIC 180 nm 회로에 대한 평가 결과, 이 프레임워크는 배치 면적을 줄이고 측정된 대부분의 후(post)-배치 성능 지표를 개선하는 것으로 나타났습니다.