AI learns the “dark art” of RFIC design

개요

프린스턴 연구진은 강화학습(reinforcement learning)과 역설계(inverse design)를 활용하여 RFIC(Radio-Frequency Integrated Circuit) 설계를 자동화하고, 전통적인 설계 방식의 한계를 극복하며 성능을 향상시켰습니다.

주요 내용

* RFIC 설계의 복잡성과 한계: 5G, 자율주행차, 위성 통신 등 무선 기술 발전에 필수적인 RFIC 설계는 수십 년간 경험에 의존하는 "어둠의 예술(dark art)"로 여겨져 왔으며, 이로 인해 설계 시간이 오래 걸리고 발전이 더뎌지고 있습니다.
* AI를 활용한 RFIC 설계 접근 방식:
* 강화학습 (RL) 기반 아키텍처 및 회로 결정: AI는 시스템 아키텍처, 회로 토폴로지, 소자 파라미터, 전자기 인터페이스 특성 등을 결정하며, 게임을 학습하듯 반복적인 시뮬레이션을 통해 최적의 설계를 찾아냅니다.
* 역설계 (Inverse Design)를 통한 전자기 구조 생성: 원하는 성능 지표(scattering parameters)를 입력하면, AI가 해당 성능을 만족하는 물리적 구조를 역으로 생성합니다.
* AI 기반 에뮬레이터를 활용한 시뮬레이션 가속: 기존의 물리 기반 시뮬레이션 대신, 딥러닝 기반 에뮬레이터가 수천, 수만 배 빠른 속도로 전자기장 특성을 예측하여 설계 시간을 단축합니다.
* 확산 모델(Diffusion Models)을 활용한 가독성 높은 디자인 생성: 텍스트 프롬프트에서 이미지를 생성하는 기술과 유사하게, 원하는 전자기적 특성(scattering parameters)을 입력하면 이를 만족하는 RFIC 구조를 생성하며, 공간 주파수 조절을 통해 인간이 이해하기 쉬운 구조부터 복잡한 구조까지 다양하게 생성할 수 있습니다.
* AI 설계의 성과:
* AI는 기존 인간 디자이너가 고려하지 못했던 비정형적이고 혁신적인 RFIC 구조를 생성합니다.
* 최근 발표된 30-100GHz 대역의 5G 및 레이더용 AI 설계 전력 증폭기는 기존 실리콘 기반 설계 대비 넓은 대역폭, 높은 출력 전력, 우수한 효율성을 달성했습니다.
* AI는 수일에서 수주가 걸리던 수동 소자 설계 시간을 수 분 또는 수 밀리초로 단축시켰습니다.
* 향후 발전 과제:
* AI 설계 방법론의 일반화 및 성능 일관성 확보가 필요합니다.
* AI의 '환각(hallucination)'으로 인한 잘못된 설계 가능성을 줄이기 위해 인간의 검증 및 감독이 여전히 중요합니다.
* RFIC 및 아날로그 설계를 위한 대규모의 공유 가능한 데이터셋 구축과 개방형 생태계 조성이 AI 발전의 핵심 동력이 될 것입니다.

시사점

AI 기반 RFIC 설계는 전통적인 수작업 방식의 한계를 넘어 설계를 가속화하고 성능을 혁신하며, 향후 무선 통신 및 관련 기술 발전에 지대한 영향을 미칠 잠재력을 가지고 있습니다.