단일 상수 곱셈(Single Constant Multiplication, SCM) 문제는 하드웨어 설계에서 기본적인 NP-hard 최적화 작업으로, 고정 상수를 덧셈, 뺄셈, 비트 시프트만을 사용하여 분해하는 것을 목표로 한다. 동적 프로그래밍 방법은 SCM에 대해 근최적 SAT 인코딩을 생성할 수 있지만, 큰 상수에 대해서는 인코딩 비용이 여전히 높다. 우리는 분해 과정에서 연산자 선택을 안내하는 우수 규칙을 식별함으로써 SCM SAT 인코딩을 가속화하는 신경-기호(neuro-symbolic) 프레임워크를 제안한다. 우리 접근법은 상수 분해로부터 유망한 연산자 유형을 예측하기 위해 그래프 신경망(graph neural network) 모델을 사용하고, 그 결과 신뢰도 점수를 활용하여 기호적 탐색에서 no-good 선택을 가지치기(prune)한다. 보지 못한 17–32비트 상수에 대한 실험 결과는 인코딩 시간이 1~2자릿수 감소하고, 메모리 사용량이 97% 이상 감소하며, 분기(branching)가 한 자릿수 감소함을 보여주면서, 덧셈 측면에서 근최적 인코딩 품질을 유지한다. 이 결과는 학습 기반 기호적 전략이 SCM 인코딩의 확장성과 효율성을 크게 개선할 수 있음을 보여준다. 우리의 코드와 데이터는 https://github.com/Chufeng-Jiang/SCM_MLDP 에서 공개적으로 이용 가능하다.
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.
본 논문은 하드웨어 설계를 저장소 수준 코드 진화로 다루는 자기 진화형(self-evolving) 에이전트 프레임워크 HORIZON을 제시한다. Markdown 하네스는 도메인 지식, 실행 가능한 평가자(evaluator), 수용 조건(acceptance predicate), git/런타임 정책을 포함한 프로젝트 팩으로 컴파일되며, 무인(hands-free) 에이전트 루프가 상태 관리, 추적(tracing), 재현(replay)을 위해 저장소 연산을 사용하여 격리된 git worktree를 진화시킨다. 이는 전자설계자동화(EDA) 소프트웨어 시스템에 대한 저장소 규모 자기 진화의 선행 연구를 하드웨어 설계 산출물 자체로 확장한다. ChipBench, RTLLM, Verilog-Eval, 9개 CVDP 카테고리에서 접근법을 평가한 결과, 완전히 무인 에이전트 루프로 모든 벤치마크 스위트에서 100% 벤치마크 완료를 달성했다. 그러나 하드웨어 설계를 위한 에이전트 AI가 해결되었다고 주장하지는 않는다. 이 벤치마크들은 칩 설계의 훨씬 더 넓은 공학적 문제에 대한 통제된 대리 지표(proxy)이다. Section~\ref{sec:discuss}에서는 현재 연구의 한계를 검토하고 열린 연구 과제를 강조한다.
순차적 프로그래밍 사전 지식을 하드웨어 설계의 병렬 시간 논리로 변환하는 것은 대규모 언어 모델(LLM)에게 여전히 중요한 병목 현상입니다. 이를 조사하기 위해, 우리는 인지 이론에서 영감을 받아 문제 해결 가능성에 기반한 새로운 오류 분류 체계를 소개합니다. 우리의 분류 체계는 실패를 구문적, 의미적, 해결 가능한 기능적, 그리고 해결 불가능한 기능적 유형으로 분류합니다. 평가 결과 VerilogEval 벤치마크에서 엄격한 경험적 상한선이 드러났으며, 최첨단 모델들은 90.8%의 초기 통과율에서 정체되었습니다. 이러한 정체는 해결 불가능한 기능적 오류로 정의되며, 테스트 타임 컴퓨트 스케일링에도 영향받지 않는 지속적인 지식 격차를 드러냅니다. 더 나아가, 우리는 놀라운 표면적 수렴 격차를 밝혀냈습니다: 최적화는 구문 오류를 쉽게 제거하지만 동시에 더 깊은 기능적 실패를 악화시킵니다. 우리의 연구 결과는 정렬 기법이 단순히 모델이 컴파일하도록 가르칠 뿐임을 보여줍니다. 반복 샘플링 전략이 해결 가능한 오류를 해결할 수 있지만, 레지스터 전송 수준(RTL) 코딩 능력은 여전히 사전학습 지식에 의해 엄격하게 제한됩니다. 현재 LLM 기반 하드웨어 생성 파이프라인의 문제를 해결하려면 정렬 개입보다는 모델 추론에 대한 더 많은 연구가 필요합니다.