아날로그/RF 회로는 디지털 연산과 물리적 세계 사이의 핵심 인터페이스로 남아 있으며, Wi-Fi 7부터 6G에 이르는 새로운 표준들은 이에 대해 엄격한 요구사항을 부과하고 있습니다. 그러나 아날로그/RF 설계는 여전히 칩 개발에서 가장 많은 노동력이 소요되는 단계 중 하나입니다. 본 논문에서는 인간의 감독 하에 AI 에이전트들이 전체 설계 흐름을 협력하여 조율하는, 엔드투엔드 아날로그/RF 회로 설계 자동화를 위한 최초의 대규모 언어 모델(LLM) 에이전트 기반 멀티 에이전트 플로우인 RFChipAgent를 제시합니다. RFChipAgent는 네 가지 기술적 기둥을 중심으로 구축되었습니다. 첫째, 문서별 비공개 FAISS 인덱싱을 갖춘 멀티모달 검색-증강 생성(RAG) 하위 시스템이 기존 엔지니어링 문서에서 설계 지식을 추출합니다. 둘째, 토폴로지 에이전트가 토폴로지 선택을 주도하고, 회로도 및 테스트벤치 에이전트가 회로 및 테스트벤치 조립을 자동화합니다. 셋째, 폐루프 하이브리드 회로 사이징 엔진은 TPE(Tree-structured Parzen Estimator)와 CMA-ES 최적화를 결합하여 시뮬레이터 루프 내(simulator-in-the-loop) 프레임워크에서 모든 후보를 평가합니다. 넷째, 신뢰도 점수가 부여된 시뮬레이션 데이터베이스가 검증된 성능 데이터를 축적하고 후속 시도에 정보를 제공하는 적응형 최적화 모델을 구축합니다. GF22FDSOI 60 GHz 광대역 mm-wave 저잡음 증폭기(LNA) 토폴로지 제품군에서 RFChipAgent를 검증하여 자동화된 토폴로지 생성, 사양 기반 설계 공간 탐험, 시뮬레이터 유도 최적화를 입증합니다. 실험 결과는 사인오프 품질의 검증을 유지하면서도 설계 노력을 대폭 줄일 수 있음을 보여줍니다. 본 연구는 아날로그/RF 회로를 위한 LLM 기반 멀티 에이전트 전자 설계 자동화(EDA)의 토대를 마련합니다.
대규모 언어 모델(LLM)은 명세서 해석, 검증 산출물 생성, 디버깅, 정형 추론, 도구 오케스트레이션을 자동화하기 위해 하드웨어 검증에 점차 통합되고 있습니다. 본 서베이는 SystemVerilog 어서션 생성, 자극 및 테스트벤치 생성, 버그 위치 특정 및 설계 수정, 모델 검사 및 동등성 검사, SAT/SMT 최적화, 최신 에이전트 기반 검증 워크플로 전반에 걸친 LLM 지원 하드웨어 기능 검증에 대한 체계적인 검토를 제공합니다. 본 논문은 방법론, 검증 목표, 도구 상호작용, 벤치마크, 평가 기준별로 관련 문헌을 정리하며, 프롬프팅, 검색, 구조화된 추론, 에이전트 기반 워크플로를 포함한 추론(inference) 시점 기법과 학습(training) 시점 적응을 모두 살펴봅니다. 이러한 영역 전반에서 공통적인 패턴이 나타납니다. 시뮬레이터, 정형 엔진, 커버리지 도구, 솔버가 실행 가능한 피드백과 정확성 증거를 제공하는 반면, LLM은 검증을 고려한 워크플로 내에 내장된 의미론적 추론, 탐색, 오케스트레이션 구성 요소로서 가장 효과적입니다. 그러나 어서션, 테스트, 수정 또는 증명이 완전한 설계 의도를 충실히 포착하지 못한 채 제공된 검사만을 만족할 수도 있으므로, 도구 승인만으로는 검증 정확성이 확립되지 않습니다. 따라서 명세서와 검증 증거 간의 의미론적 정렬, 결정론적 도구와의 확장 가능한 통합, 미확인 설계에 대한 일반화, 그리고 정확성, 비용, 강건성, 인적 노력에 대한 엄격한 평가를 핵심 과제로 식별합니다. 마지막으로, LLM의 유연성과 독립적으로 검증 가능한 검증 증거를 결합하는 명세 중심, 신경-기호(neuro-symbolic), 지속형 에이전트 검증 시스템을 향한 새로운 방향을 논의합니다.
대규모 언어 모델(LLM) 기반 에이전트(agent)는 전자 설계 자동화(EDA)의 "마지막 마일"인 툴 실행 후 잔여 사인오프 디자인 룰 체크(DRC) 위반 수정 및 전력-성능-면적(PPA) 목표 수렴(convergence)에 점점 더 많이 적용되고 있습니다. 그러나 기존 EDA-LLM 벤치마크는 DRC 수정을 완전히 생략하고 단일 툴체인에 묶인 평면적인 계층 구조에 의존합니다. 본 논문에서는 기계 검증 가능한 평가를 지원하는 EDA 툴체인을 기반으로 DRC-Essential, DRC-Reasoning, PPA-Mono, PPA-Multi에 걸친 145개 태스크로 구성된 계층적 벤치마크인 PostEDA-Bench를 소개합니다. 여러 에이전트 스캐폴드 하에서 8개의 상용 및 오픈소스 LLM을 평가한 결과, 에이전트가 합성된 DRC-Essential 및 단일 목표 PPA-Mono는 합리적으로 잘 처리하지만 보다 실용적인 DRC-Reasoning(최고 성공률 36.66%)과 PPA-Multi(최고 성공률 20.00%)에서는 성능이 급격히 저하됨을 확인했습니다. 또한 비전 증강(vision augmentation)은 일관되게 DRC 벤치마크 성능을 향상시키며, 노브 지식보다는 트레이드오프 추론이 주된 PPA-Multi의 병목 현상임을 밝혀냈습니다.
대규모 언어 모델(LLM)은 소프트웨어 코드 생성에서 상당한 역량을 입증했지만, 아날로그 전자 설계 자동화(EDA)에의 적용은 병목에 직면해 있다. 회로 토폴로지에 대한 이해와 데이터가 제한적이기 때문에, LLM과 멀티모달 모델에 직접 프롬프트를 주면 환각이 발생하고 엄격한 SPICE 시뮬레이션을 통과할 수 있는 회로도를 생성하지 못하는데, 이는 본 연구에서 보여준다. 대신, 우리는 end-to-end 다단계 LLM 에이전트 프레임워크 ATLAS를 제안한다. 이는 기능적인 Successive Approximation Register(SAR) 아날로그-디지털 변환기(ADC)를 생성하여 시뮬레이션 검증을 성공적으로 통과할 수 있다. 아날로그 설계의 엄격한 제약을 준수하기 위해, 계획, 선택, 매개변수화, 반복적 수정 단계에서 전문 지식을 활용하여 LLM을 그라운딩한다. ATLAS의 일부로, 우리는 Template-Constrained Generation을 도입한다. 이는 다른 템플릿 기반 연구와 달리 보다 일반화된 SAR ADC 생성 흐름을 구축한다. 기술 노드와 입력 사양 전반에 걸쳐 SAR ADC를 개발함으로써, 우리 프레임워크의 강력한 개념 증명을 입증한다. 전반적으로, 전문 지식에 기반한 다단계 에이전트 ATLAS는 LLM을 신뢰할 수 있는 아날로그 설계 방법론에 통합하기 위한 실용적 기반을 마련한다.
능동형 무선 주파수(RF) 회로의 성능을 정확히 예측하는 것은 현대 무선 시스템에 필수적이지만, 고도의 비선형 동작과 기존 시뮬레이션 도구의 높은 계산 비용으로 인해 여전히 어려운 과제로 남아 있다. 기존 기계학습(ML) 서로게이트 모델은 다양한 토폴로지에 일반화하기 위해 대규모 데이터셋을 요구하는 경우가 많거나, 홀드아웃(held-out) 회로에서 정확도가 떨어진다. 본 연구는 저잡음 증폭기(LNA), 믹서, 전압 제어 발진기(VCO), 전력 증폭기(PA), 전압 증폭기(VA)와 같은 능동형 RF 회로 클래스의 핵심 성능 지표를 예측하기 위한 경량화되고 데이터 효율적이며 토폴로지 인식 그래프 신경망(GNN) 프레임워크를 제안한다. 제안된 프레임워크는 RFIC 도메인 지식 기반 특징 인덱싱을 활용하여, 차동 쌍(differential pair) 및 바랙터(varactor) 트랜지스터와 같은 기능적 소자 의미론을 저비용으로 인코딩하고 효율적인 지식 전이를 통해 교차 토폴로지 적응성을 가능하게 한다. 서로게이트 모델은 회로를 소자 터미널 그래프 추상화로 표현하여 세밀한 연결성과 트랜지스터 수준의 대칭성을 보존한다. 최종 모델은 병렬 학습을 통해 다양한 클래스에 일반화된다. 실험 결과는 다중 모드 및 중꼬리(heavy-tailed) RF 성능 분포의 정확한 모델링을 보여주며, 19개 토폴로지에 걸쳐 평균 평균 상대 오차(MRE) 2.71%를 달성하고, 기존 연구 대비 3.3배 개선 및 학습 속도 20배 향상을 이루었으며, 홀드아웃 토폴로지에 대한 일반화는 약 26.2배 향상되었다. 또한 본 연구는 최신 기술 대비 약 36배의 학습 데이터 효율성을 보여주며, 확장 가능하고 배포 준비가 된 RF 설계 자동화에 대한 효과를 입증한다.
OmniLayout은 실제 전자 설계 자동화(EDA) 워크플로우에서 엄격한 기하적·배선·연결성 제약 하의 PCB 레이아웃 배치 추론을 대규모 언어 모델(LLM)로 평가하는 최초의 벤치마크로, 1,681개의 산업급 회로도 연동 PCB 레이아웃과 4가지 태스크(기하 추론, 배선 가능성, 전기적 기능성, 도구 증강 에이전트 추론)를 포함한다. 실험 결과, Claude-Sonnet-4.6, GPT-5.5 등 최신 LMM들이 부품 비중첩 제약 위반, 낮은 배선 최적화 성능, 전기적 기능성 보존의 불일치 등 PCB 배치에서 근본적인 한계를 드러냈다.
SINA는 회로 회로도(schematic) 이미지를 SPICE 호환 넷리스트(netlist)로 자동 변환하는 오픈소스 파이프라인으로, YOLO 기반 부품 검출, Connected-Component Labeling(CCL) 기반 연결 추론, OCR, 비전-언어(vision-language) 모델을 통합하여 IC·PCB 레벨 회로도를 모두 처리한다. 교차 배선 오감지 문제를 전용 모듈로 해결하고 그래프 동형(graph isomorphism) 기법으로 정확성을 검증한 결과, 전체 넷리스트 생성 정확도 96.67%로 기존 최고 성능 대비 2.72배 향상을 달성했다.
최근 생성 AI(GenAI)의 발전은 현대 하드웨어 설계에 혁신적인 잠재력을 보여주었다. 그러나 기존 GenAI 기반 접근법은 하드웨어 데이터셋의 독점적이고 분절된 특성으로 인해 모델 학습을 위해 중앙 집중화할 수 없어, 대규모 전자 설계 자동화(EDA)를 가능하게 하지 못한다. 따라서 대규모 GenAI 기반 EDA를 달성하려면 기밀성을 훼손하지 않으면서 분산 데이터를 활용할 수 있는 새로운 프라이버시 보존 프레임워크가 필요하다. 본 연구는 연합 학습(FedL)과 GenAI를 사용한 대규모 아날로그 회로 토폴로지 탐색을 위한 최초의 프라이버시 보존 프레임워크인 AnalogFed를 제안한다. AnalogFed는 협력적 아날로그 토폴로지 설계의 실현 가능성을 확립하면서 주요 보안 과제를 해결한다: 더미 토큰 주입에 기반한 새로운 입력 교란 전략을 통해 멤버십 추론 공격(MIA)을 완화하고, 맞춤형 고효율 동형 암호(homomorphic encryption)로 모델 역전공격을 방어한다. 광범위한 실험은 AnalogFed의 효과성과 효율성을 입증하며, 모델 유틸리티를 저하시키지 않으면서 강력한 프라이버시 보호를 달성한다. 이 프레임워크는 GenAI를 활용한 차세대 하드웨어 설계 자동화에서 확장 가능한 다자간 협력의 기반을 마련한다.