WaveletECO: 폐루프 물리적 ECO 플랫폼 및 특화된 로컬 언어 모델
WaveletECO: A Closed-Loop Physical ECO Platform and a Specialized Local Language Model
엔지니어링 변경 지시(ECO)는 칩 설계 후반 단계에서 타이밍 및 전기적 위반을 수정하는 중요한 단계입니다. 기존의 에이전틱 EDA 방식은 주로 도구 호출에 집중하며, 모델의 의사결정 품질과 맞춤형 학습에는 덜 주목해 왔습니다. ECO의 핵심 과제는 다중 라운드 의사결정으로, 모델은 각 라운드의 결과를 활용하여 다음 수정 조치를 결정해야 합니다. 본 논문에서는 에이전트가 ECO 의사결정을 효과적으로 실행할 수 있도록 대규모 언어 모델(LLM)과 폐루프 실행 플랫폼을 통합한 WaveletECO를 제안합니다. 또한 실행 시연 및 의사결정 선호도 데이터를 활용하여 지도 미세조정(supervised fine-tuning) 및 CPO-SimPO를 통해 로컬 9B 모델을 학습시킴으로써, 로컬에 배포된 모델로 ECO 의사결정을 수행할 수 있도록 합니다. 22개 설계에 대한 594회의 평가 실행 전반에서 WaveletECO-Policy (BF16) 및 (INT8)은 각각 79.63점과 79.65점을 기록하여 GPT-6 Astra의 77.44점과 대비됩니다. INT8의 예상 추론 비용은 GPT-6 Astra의 약 1/147 수준입니다. 이러한 결과는 특화된 모델 학습이 효과적이고 저비용인 다중 라운드 ECO 수정을 뒷받침하며, INT8 양자화 하에서도 수정 품질이 유지됨을 보여줍니다.