정확한 전력 분석은 전력 최적화 전략에 직접적인 영향을 미치기 때문에 VLSI 설계에서 매우 중요합니다. 그러나 전통적인 방식은 넷리스트(netlist) 내에서 사이클별 토글 전파(per-cycle toggle propagation)를 수행하는 데 상당한 실행 시간이 소요된다는 점 때문에 종종 어려움을 겪습니다. 토글 전파는 조합 논리(combinational logic)를 통해 레지스터 토글 정보를 전달하는 과정입니다. 이를 해결하기 위해, 우리는 높은 정확도와 효율성을 모두 갖춘 사이클별 토글 전파 예측을 가능하게 하는 첫 번째 연구인 LEAP를 제안합니다. 이는 토글 전파를 시뮬레이션할 수 있는 새로운 선형 복잡도(linear-complexity) 그래프 트랜스포머(graph transformer)와, 모델이 회로 구조 및 기능을 포착할 수 있도록 특별히 설계된 자기 지도 학습(self-supervised) 사전 학습 태스크를 통해 달성됩니다. LEAP는 토글 전파 측면에서 EDA 도구보다 7.6배 빠른 속도를 달성하였으며, 예측 결과에 대해 0.99라는 완벽에 가까운 정밀도-재현율 곡선 아래 면적(PR-AUC)을 기록했습니다. 또한, LEAP는 다른 머신러닝 기반 전력 모델과 원활하게 통합되어 LEAP-Power로 확장될 수 있습니다. 이러한 통합을 통해 합성 후 넷리스트(post-synthesis netlist)로부터 직접 정밀한 사이클별 레이아웃 전력 예측이 가능하며, 단 4.55%의 평균 절대 백분율 오차(MAPE)를 달성합니다. 넷리스트에서의 토글 전파 과정을 우회함으로써, LEAP-Power는 LEAP가 없는 모델보다 5.3배 더 빠르게 실행되어 상당한 실행 시간 이득을 제공합니다.