AUTOGATE: 토글링 인식 LLM 기반 RTL 재작성을 통한 자동 클럭 게이팅
AUTOGATE: Automated Clock Gating via Toggling-Aware LLM-based RTL Rewriting
세밀한 클럭 게이팅(FGCG)은 동적 전력을 줄이는 가장 효과적인 기술 중 하나이지만, 현재 FGCG 최적화 과정은 대부분 수동으로 이루어집니다. 최근 대규모 언어 모델(LLM) 기반 RTL 최적화 접근 방식은 (1) 수백만 사이클에 걸친 긴 파형(waveform) 추적을 처리할 수 없는 점과 (2) 정확성을 유지하면서 대규모 계층형 코드베이스로 최적화를 확장하는 데 어려움이 있다는 두 가지 주요 단점으로 인해 제한됩니다. 이 작업에서 우리는 AUTOGATE를 소개합니다. 이는 산업 등급 RTL 전력 최적화를 위한 최초의 에이전트 기반 프레임워크로, 대규모 계층형 코드베이스 전반에서 워크로드 인식 클럭 게이팅 최적화를 가능하게 합니다. AUTOGATE는 파형 수준 분석과 RTL 재작성을 연결하는 머신러닝(ML)-LLM 공동 설계를 도입합니다. 구체적으로, 우리는 원시 토글링 추적을 컴팩트하고 구조화된 표현으로 증류하여 LLM 기반 RTL 재작성을 안내하는 ML 기반 클러스터링 알고리즘을 설계했습니다. 이를 통해 LLM이 원시 파형 데이터를 직접 처리할 필요 없이 클럭 게이팅 기회를 정확하게 식별하고 적용할 수 있습니다. 확장성을 높이기 위해 AUTOGATE는 대규모 설계를 독립적으로 최적화 가능한 모듈로 분해하여 깊은 설계 계층 구조 전반에 걸친 조율된 최적화를 가능하게 하는 계층형 멀티 에이전트 아키텍처를 사용합니다. 우리는 작은 RTL 설계부터 대규모 산업 등급 코드베이스에 이르기까지 다양한 설계 세트에서 AUTOGATE를 평가했습니다. 실험 결과, AUTOGATE는 베이스라인에 비해 동적 전력을 일관되게 줄이는 것으로 나타났습니다. 소형 설계 제품군 전반에서 AUTOGATE는 평균 49.31%의 동적 전력 감소를 달성했습니다. 산업 규모 설계에서는 NVDLA와 BlackParrot에서 각각 19.34%와 7.96%의 동적 전력 감소를 달성했으며, 고도로 최적화된 독점 생산 설계에서는 최대 6.86%의 감소를 달성했습니다.