대규모 언어 모델(LLM) 기반 에이전트는 합성 및 검증 피드백 하에서 레지스터 전송 수준(RTL) 설계를 생성·수정하기 위해 전자 설계 자동화(EDA) 도구를 사용한다. 최근 방법들은 실행 추적에서 재사용 가능한 스킬을 지식 증류(distillation)하거나 EDA 도구에서 파생된 보상으로 학습하여 이 피드백으로부터 학습한다. 두 방법 모두 일반적으로 해당 경험을 생성한 태스크에서 평가된다. 동일 태스크에 대한 벤치마크 피드백에 반복적으로 접근하면 전이 가능한 재사용 지식을 만드는 것보다 태스크 특화 수정을 보상할 수 있다. 우리는 EDA 에이전트를 위한 검증 기반 메모리 층인 ChipMEM을 제안한다. ChipMEM은 태스크 간 절차적 메모리와 궤적 내 통계적 안내를 결합한다. 절차적 구성요소는 모델 자기 평가에 의존하지 않고, 합성·시뮬레이션 또는 형식(formal) 검사를 통과한 뒤에만 스킬을 증류하여 저장한다. 베이지안 구성요소는 도구 호출 결과에 대한 계층적 Beta 추정을 유지하고, 유사한 오류 조건에서 성공한 복구 전략을 순위화한다. 공통 어댑터는 각 도메인의 도구와 수용 기준을 보존하면서 동일한 메모리 인터페이스를 RTL 최적화 및 테스트벤치 생성 에이전트에 적용한다. 우리는 학습 태스크에서 성능을 측정하고, 학습된 스킬이 보지 못한 태스크로 전이되는지 평가한다. RTLRewriter-Bench에서 일치하는 모델·도구 설정 하에 ChipMEM은 메모리 없을 때 35/54 대비 채점된 54개 설계 중 39개에서 동등성 통과 출력을 낸다. 49개 설계 단축 스위트에서는 평균 면적(area) 개선이 5.66% 대비 8.69%이다. 보류(hold-out) CVDP 태스크에서 고정(frozen) 절차적 라이브러리를 사용한 ChipMEM은 설정당 단일 평가에서 메모리 없을 때 18/20 대비 20/20의 수용 결과를 달성한다.
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.
반도체 제조가 2nm 미만 노드로 진전함에 따라, 지역 배치 및 배선(P&R) 설계 규칙 위반(DRV) 수정은 복잡한 규칙 상호작용, 밀집된 다층 라우팅 기하학, 파운드리 특화 제약에 의해 점점 더 제한받고 있다. 대규모 언어 모델(LLM)은 최근 EDA 스크립팅 및 문서화에서 강력한 역량을 보여주었지만, 시각적 레이아웃 이해에의 적용은 여전히 거의 탐구되지 않았다. 레이아웃 이미지로부터 DRC 위반을 진단하는 것은 정밀한 기하학적 추론과 범용 VLM 학습에 없는 파운드리 특화 규칙 지식을 요구한다. 우리는 첨단 노드에서 지역 DRV 수정을 위한 자기지도 레이아웃 생성 단계를 갖춘 프레임워크인 SCALE을 제안한다. 다층 레이아웃 기하학은 구조화된 텍스트로 직렬화되며, 파인튜닝된 언어 모델은 위반 레이블 없이 주변 BEOL 컨텍스트만으로 무작위로 마스킹된 폴리곤을 재구성하는 방법을 학습한다. 추론 시, 자연어 규칙 제약과 고온도 샘플링이 생성을 다양하고 위반에 취약한 레이아웃 변형을 향하게 유도하며, 이는 산업용 사인오프 DRC 검사기로 검증되어 DRC 주석이 달린 레이아웃-위반 쌍을 생성하고, 이를 사용해 도메인 적응 DRC-VLM을 파인튜닝한다. 이 VLM은 지역 DRV 수리를 위한 규칙 인식 기하학적 안내를 제공하여, enclosure, spacing, width, color-spacing 위반을 포함하는 100건의 실제 2nm 미만 사례에서 최신 에이전트의 해결률을 +12–25%(최대 97%)까지 향상시킨다.
설계 규칙 검사(DRC) 클로저는 첨단 노드 물리 설계에서 여전히 주요 병목이다. 상세 라우터가 규칙을 인식하더라도, 잔존 설계 규칙 위반(DRV)은 종종 수동 공정 변경 주문(ECO) 반복을 필요로 한다. 이 과정의 자동화는 어려운 이유는, 수정이 복잡한 기하학적 상호작용을 고려해야 하고, 회로 연결성을 유지해야 하며, 새로운 위반을 도입하지 않아야 하기 때문이다. 우리는 블록 수준 DRC 수정을 위한 스킬 진화 프레임워크인 EvoDRC를 제안한다. EvoDRC는 관련 없는 참조 설계에서 증류된 지식을 사용하여 층별 수정 스킬을 초기화하고, 대상 설계에서 수집된 추적 가능한 수정 경험을 사용하여 이러한 스킬을 지속적으로 진화시킨다. EvoDRC는 레이아웃을 경계가 있는 수정 영역으로 분해하고 각 영역에 LLM 수정 에이전트를 할당한다. 로컬 DRC 분석, 연결성 검사, 영향 미리보기 도구가 제안된 수정에 대한 피드백을 제공한다. 수정 작업과 그에 따른 DRV 변화는 지식 데이터베이스에 저장되고 수정 스킬 진화에 사용된다. DAC26 DRC 벤치마크의 7개 블록 수준 설계에 대한 실험에서 EvoDRC는 보고된 기준선 대비 전체 73.5% 감소를 달성함을 보여준다.
칩 복잡성이 증가하고 시장 출시 기간에 대한 압박이 커짐에 따라, 프론트엔드 설계는 칩 개발의 핵심 병목 지점이 되었다. 최근 대규모 언어 모델(LLM)은 전자 설계 자동화(EDA) 분야에서 큰 잠재력을 보여주고 있다. LLM은 사양 이해를 넘어, 하드웨어 기술 언어(HDL) 생성, 테스트벤치 구성, 설계 공간 탐험을 위한 통합 지능형 인터페이스로서의 가능성을 보인다. OpenClaw과 같은 선구적 시스템으로 대표되는 에이전트 AI의 부상은 차세대 EDA를 위한 전략적 로드맵을 제시한다. 이러한 관점에서, 본 논문은 EDA의 발전 과정을 국소적 보조에서 자율 에이전트 실행으로의 진화라는 측면에서 논의한다. 이어서 프론트엔드 설계에서 LLM의 대표적 발전을 검토하며, 공유 사양으로부터의 회로 및 테스트벤치 생성, 고수준 합성(high-level synthesis)과 같은 확립된 워크플로우에서의 설계 품질 향상 등 핵심 과제에 초점을 맞춘다. 마지막으로, LLM을 EDA에 통합하는 데 있어 핵심적인 도전과 한계를 논의하고, LLM 기반 프론트엔드 설계 발전을 위한 미래 기회를 제시하며, EDA를 위한 에이전트 AI 기술 활용에 관심 있는 연구자들에게 체계적인 시각을 제공한다.
전자 설계 자동화(EDA)는 본질적으로 다단계(multi-stage)이며 인계(handoff)가 빈번합니다. 설계 산출물, 플로우 스크립트, 엔지니어링 결정은 최종 구현, 사인오프(signoff), 또는 출시 전에 도구, 세션, 조직 경계를 넘어갑니다. 각 전달은 단계별 로컬 검사에서 완전히 포착되지 않을 수 있는 명시적 및 암묵적 요구사항을 포함합니다. 이제 대규모 언어 모델(LLM) 기반 에이전트는 EDA 도구를 직접 호출하고, 검색된 지식을 실행 가능한 스크립트에 임베딩(embedding)하며, 세션과 단계 간에 상태를 인계합니다. 출력이 다운스트림(downstream) 엔지니어링 결정에 영향을 미치게 되면, 전달된 객체는 인계 계약(handoff contract)을 충족하고 다음 소비자의 가정을 만족해야 합니다. 본 조사는 인계 유효성(handoff validity)을 구성 원칙으로 도입합니다. 인계는 전달된 객체가 소비자의 수락 조건을 충족하고 다운스트림 사용을 위해 충분한 컨텍스트(context), 증거, 출처(provenance)를 포함할 때 유효합니다. 우리는 82개 시스템을 검토하고 이를 세 가지 경계 클래스로 분류했습니다. 단계 경계(Stage-Bound) 시스템은 단일 EDA 단계 또는 제한된 검증 작업 내에서 유효성을 확립합니다. 플로우 경계(Flow-Bound) 시스템은 도구, 호출, 세션에 걸쳐 일관된 워크플로우 상태를 유지합니다. 조직 경계(Organization-Bound) 시스템은 지식 및 권한 경계에 걸쳐 소스 그라운딩(source grounding), 출처, 범위, 적격성(admissibility)을 유지합니다. 각 클래스에 대해 인계 계약, 인계 객체, 조정 메커니즘, 미해결 문제를 분석합니다. 이러한 분석은 에이전트 발견, 에이전트 메시지, 도구 호출, 워크플로우 오케스트레이션, 보안 및 IP 프로토콜을 포함하는 5계층(five-layer) EDA 에이전트 통신 프로토콜(EACP)을 동기합니다. 우리는 신뢰할 수 있는 에이전트 기반 EDA를 위한 공통 어휘와 연구 의제를 제공하는 것을 목표로 합니다.