서브 클록 사이클 (sub-clock-cycle) 시간 해상도에서의 전력 추정은 전력 공급 네트워크 (PDN) 설계, 동적 전압 강하 (dynamic voltage droop) 분석, 그리고 프리-실리콘 (pre-silicon) 전력 부채널 보안 평가와 같은 작업에 매우 중요합니다. 설계자들은 이러한 작업을 위해 일반적으로 상용 포스트-레이아웃 (post-layout) 게이트 레벨 (gate-level) 전력 분석 도구에 의존하지만, 이러한 워크플로우는 계산 비용이 많이 들며 설계 규모와 워크로드 길이에 따라 확장성이 떨어집니다. 머신러닝 (ML) 기반의 전력 추정 프레임워크는 전력 추정을 가속화하는 데 유망한 가능성을 보여주었으나, 기존의 노력들은 평균 전력 또는 사이클당 전력 추정만을 다루었습니다. 우리는 최초의 ML 기반 사이클 내부 (intra-cycle) 전력 추정 프레임워크인 PowerScope를 제안합니다. PowerScope는 추론 시점에 순수하게 RTL 시뮬레이션 트레이스 (simulation traces) 상에서 작동하므로, 워크로드별 포스트-레이아웃 게이트 레벨 시뮬레이션 및 전력 분석의 필요성을 제거합니다. 다양한 벤치마크 제품군에 대해, PowerScope는 상용 포스트-레이아웃 게이트 레벨 전력 추정치와 비교했을 때 약 80배 더 빠르게 실행되면서도 중앙값 5.88%, 평균 절대 백분율 오차 (mean absolute percentage error) 9%를 달성합니다. 나아가 우리는 PowerScope의 예측이 프리-실리콘 전력 부채널 누설 평가 (pre-silicon power side-channel leakage assessment)라는 다운스트림 (downstream) 작업에 안정적으로 사용될 수 있음을 입증합니다.