AI 기반 칩 설계란 무엇인가요?

AI는 방대한 솔루션 영역에서 가장 빠른 시간 내에 최고의 ROI를 달성할 수 있는 최적의 매개변수 조합을 도출해 낼 수 있습니다. 다시 말해, 기존 방식보다 더 우수하고(더 빠르게) 높은 품질의 결과를 얻을 수 있습니다. AI가 칩 개발 주기에서 반복적인 작업을 처리함으로써, 엔지니어들은 칩의 품질 향상과 차별화 전략에 더 많은 시간을 할애할 수 있게 됩니다. 예를 들어, 설계 공간 탐색, 검증 커버리지 및 회귀 분석, 테스트 프로그램 생성 등과 같은 작업들은 각각 그 범위와 규모가 방대할 수 있지만, AI를 통해 신속하고 효율적으로 관리될 수 있습니다.

강화학습은 복잡한 문제를 전체적으로 분석하고 인간의 능력만으로는 불가능한 속도로 해결할 수 있는 능력을 바탕으로 전자 설계 자동화(EDA) 워크로드에 매우 적합합니다. 강화학습 알고리즘은 환경 변화에 신속하게 적응하고 대응할 수 있으며, 지속적이고 역동적인 방식으로 학습을 수행합니다. 현재 강화학습은 업계 전반에 걸쳐 1,000건 이상의 테이프아웃(tapeout)에 적용되어 왔으며, 이제는 그 성능이 입증된 검증된 기술로 간주할 수 있습니다.

반도체 업계가 칩 개발에 활용하고 있는 또 다른 AI 분야는 생성형 AI입니다. 대규모 언어 모델을 기반으로 하는 생성형 AI는 입력 데이터의 패턴과 구조를 학습하여 텍스트, 동영상, 이미지, 오디오 등 다양한 콘텐츠를 신속하게 생성합니다. 생성형 AI 모델은 다양한 응용 분야에서 그 능력을 입증해 왔으며, 현재 ChatGPT 챗봇이 대중에게 가장 잘 알려진 사례 중 하나입니다.  

EDA 분야에서는 이러한 챗봇이 일반적으로 설계 과정에서 엔지니어를 지원하는 ‘코파일럿’의 형태를 띱니다. 이 챗봇들은 초기 코드 생성, 문서 검색, 또는 신입 엔지니어의 업무 적응을 가속화하는 데 활용될 수 있습니다. 칩 설계 관련 데이터가 대부분 독점적인 EDA 분야의 경우, 생성형 AI는 보다 맞춤형 플랫폼을 지원하거나, 어쩌면 내부 프로세스를 개선하여 생산성을 높이는 데 기여할 잠재력을 지니고 있습니다.

칩 개발에 활용되기 시작한 또 다른 기술은 AI 에이전트입니다. AI 에이전트는 지루하거나 반복적인 작업을 자동화하여 설계자가 보다 전략적이고 창의적인 업무에 집중할 수 있도록 도와줍니다. 또한, AI 에이전트는 레벨 1(L1)부터 레벨 5(L5)에 이르는 능력 단계에서 서로 협력할 수 있는 잠재력을 지니고 있으며, 궁극적으로는 허용된 범위 내에서 스스로 의사결정을 내릴 수 있는 완전한 자율성을 부여받을 수 있습니다.

AI 기반 칩 설계 는 반복적인 작업을 처리하는 데 있어 향상된 지능과 속도를 강력하게 결합함으로써, 더 우수한 실리콘 결과를 도출하고 엔지니어링 생산성을 획기적으로 향상시킬 수 있습니다. AI 기반 칩 설계 에는 다음과 같은 다양한 이점이 있습니다:

• 향상된 PPA:모든 칩 설계에는 대상 애플리케이션에 최적의 PPA를 구현할 기회가 있습니다. 그러나 방대한 설계 공간 내에서 선택지가 거의 무한에 가깝기 때문에, 프로젝트 기간 내에 올바른 선택지를 찾아내는 것은 인간으로서는 불가능합니다. AI는 이러한 방대한 설계 공간을 탐색하여 최적화가 필요한 영역을 파악함으로써 PPA를 향상시킬 수 있습니다.
• 생산성 향상: 엔지니어들은자원이 줄어들고 인력 부족이 심화되는 환경에서 지속적으로 과중한 업무 부담을 호소하고 있습니다. AI가 반복적인 작업을 처리함으로써, 엔지니어들은 시장 출시 목표 기한을 준수하면서도 칩 설계의 차별화와 품질 향상에 집중할 수 있게 됩니다.
• 재사용 지원:한 프로젝트에서 얻은知見을 보존하여 다음 프로젝트에 적용할 수 있기 때문에, AI는 칩 개발 프로세스의 효율성을 한층 더 높여줍니다.
• 더 빠른 설계 이관:AI의 지원을 통해 칩 설계 팀은 설계를 한 공정 노드에서 다른 공정 노드로 더 신속하게 이관할 수 있습니다.

AI 기반 칩 설계 물론 몇 가지 독특한 과제도 따릅니다. 비교적 새로운 시도인 만큼, AI 기술을 다양한 칩 설계 솔루션에 통합하려면 프롬프트 엔지니어링과 같은 새로운 기술과 접근 방식이 필요합니다. 또한 업계에서 진행되는 작업의 상당 부분이 비공개 정보이기 때문에 AI 훈련에 활용할 수 있는 데이터 세트가 제한적입니다. 기계가 어떻게 자신들보다 더 나은 결과를 도출할 수 있는지 의문을 제기하는 엔지니어들이 존재하기 때문에 회의적인 시각 또한 또 다른 과제로 대두됩니다. 반도체 업계에 인력 부족 문제가 영향을 미치고 있는 만큼, 업계는 AI 기술을 활용해 EDA 워크플로우를 최적화하고 EDA 알고리즘을 위한 컴퓨팅 플랫폼을 강화하는 데 전문 지식과 관심을 가진 인재를 발굴해야 할 것입니다.

AI 워크로드는 방대하여 상당한 양의 대역폭과 처리 능력을 요구합니다. 그 결과, AI 워크로드를 가장 효율적으로 처리하도록 설계된 AI 칩(GPU, XPU 또는 전용 가속기)에는 최적의 프로세서, 메모리 어레이, 보안 기능 및 실시간 데이터 연결성으로 구성된 독자적인 아키텍처가 필요합니다. 기존 CPU는 순차적 작업을 수행하는 데는 이상적이지만, AI 워크로드를 가속화하는 데 필요한 처리 성능 면에서는 대개 뒤처집니다. 반면 GPU는 AI의 곱셈-누적(multiply-accumulate) 함수가 요구하는 방대한 병렬 처리를 처리할 수 있어 AI 애플리케이션에 적용될 수 있습니다. 실제로 GPU는 AI 가속기 역할을 하여 신경망 및 유사한 워크로드의 성능을 향상시킬 수 있습니다. 대규모 데이터 센터 및 엣지 환경에 있어, 소프트웨어 기반의 맞춤형 ASIC은 최적화된 전력 효율과 함께 맞춤형 성능을 제공함으로써 점점 더 인기를 얻고 있습니다. AI가 주류로 자리 잡음에 따라, 기존 CPU들도 AI PC를 위한 기능을 포함하여 AI 가속 기술을 통합하고 있습니다.    

파티셔닝 AI 칩은 그 복잡성 때문에 종종 레티클 한계를 초과하거나, 설계를 여러 개의 다이 또는 칩렛 로 분할하는 것이 더 적합할 수 있습니다. 단일 패키지 내에 이종 집적 여러 개의 다이로 구성된 멀티-다이 아키텍처, 즉 칩렛 는 AI 애플리케이션을 위한 이상적인 아키텍처로 빠르게 자리 잡고 있습니다. 멀티-다이 시스템은 무어의 법칙이 둔화되는 현상에 대한 해답으로, 모놀리식 SoC가 제공할 수 있는 것 이상의 이점을 제공합니다. 즉, 위험을 줄이고 시장 출시 기간을 단축하면서 시스템 기능을 가속화하고 비용 효율적으로 확장할 수 있습니다.

AI 가속기는 즉각적인 응답이 필요한 경우가 많은 AI 워크로드에 최적화된 또 다른 유형의 칩입니다. 고성능 병렬 연산 장치인 AI 가속기( AI 가속기 )는 데이터 센터와 같은 대규모 구축 환경은 물론, 테스트 용이화 설계(DFT) 와 같이 공간 및 전력 제약이 있는 애플리케이션에서도 사용할 수 있습니다.

GPU, 대규모 멀티코어 스칼라 프로세서, 공간 가속기 등은 하드웨어 AI 가속기의 몇 가지 예시입니다. 이러한 유형의 칩은 대규모 신경망을 처리하기 위해 더 큰 시스템에 통합될 수 있습니다. AI 가속기의 주요 장점으로는 다음이 있습니다:

• 범용 컴퓨팅 시스템에 비해 AI 워크로드의 성능과 에너지 효율성이 더욱 최적화되어 있습니다.
• 낮은 지연 시간과 빠른 연산 속도
• 특정 작업에 특화된 여러 개의 프로세서를 수용할 수 있는 이종 아키텍처
• 확장성

어떤 아키텍처를 선택하든, AI 기반 칩 설계 기술은 AI 칩 설계 프로세스를 간소화하여 더 나은 PPA와 엔지니어링 생산성을 실현함으로써 설계를 더 빠르게 시장에 출시할 수 있도록 지원합니다.

AI 기술은 EDA 워크플로우에 점점 더 널리 보급될 전망이며, 모놀리식 SoC부터 다중다이 설계에 이르기까지 모든 분야의 개발을 향상시킬 것입니다. 이러한 기술은 더 빠른 개발 주기로 더 높은 품질의 실리콘 칩을 생산하는 데 지속적으로 기여할 것입니다. 또한 칩 개발 과정에는 AI를 통해 개선될 수 있는 다른 많은 단계들이 있습니다.

이 분야에는 여러 가지 과제가 있지만, 과제가 있는 곳에는 기회도 따르기 마련입니다. AI는 생산성과 성과를 향상시킴으로써 인재 부족으로 인한 공백은 물론, 노련한 엔지니어들이 자리를 떠날 때 발생하는 지식 격차도 메우는 데 기여할 수 있습니다. 또한, AI 칩을 비롯해 AI가 칩 설계를 개선할 수 있는 다른 방법들을 모색하는 데에도 기회가 있습니다.

AI 애플리케이션이 에너지에 미치는 영향은 매우 크다. 하지만 AI 설계 도구를 활용하면 AI 프로세서 칩(뿐만 아니라 칩을 설계, 검증 및 테스트하는 워크플로우)을 최적화하여 에너지 효율을 높임으로써 탄소 발자국을 줄일 수 있다.

인공지능이 산업을 변화시켜 가는 가운데, 반도체 분야에서 ‘AI 칩 ’ 설계와 AI 기반 칩 설계.

AI 칩 이 설계는 현대 AI를 구동하는 특수 목적 하드웨어를 구축하는 데 중점을 둡니다. GPU, NPU, 맞춤형 ASIC과같은 이러한 칩들은 딥러닝 및 생성형 AI와 같은 AI 모델에 필요한 복잡한 연산과 방대한 양의 데이터를 효율적으로 처리하도록 설계되었습니다. 설계 과정은 아키텍처 혁신에 전적으로 초점을 맞추고 있으며, 컴퓨팅 코어, 메모리 대역폭, 상호 연결 구조를 최적화하여 데이터 센터부터 엣지 기기에 이르기까지 모든 환경에서 AI 애플리케이션에 최고의 성능, 에너지 효율성 및 확장성을 제공합니다.

반면, 칩 내 AI( AI 기반 칩 설계 )는 칩 개발 프로세스 자체에서 인공지능을 활용하는 것을 의미합니다. 여기서는 딥 러닝( 강화 학습), 생성형 AI, 자율 에이전트와 같은 AI 기술이 전자 설계 자동화(EDA) 도구에 통합되어 칩 설계, 검증 및 테스트를 자동화하고 최적화합니다. AI를 활용하여 설계 옵션을 신속하게 살펴보기 탐색하고 반복적인 엔지니어링 작업을 처리함으로써, 팀은 더 나은 결과를 더 빠르게 달성할 수 있으며, 엔지니어들은 창의성과 차별화에 집중할 수 있는 여유를 얻게 됩니다.

간단히 말해, ‘ AI 칩 ’ 설계는 AI용 칩을 개발하는 것을 목표로 하는 반면, ‘ AI 기반 칩 설계 ’는 AI를 활용하여 칩 개발의 생산성과 효율성을 높이는 것을 목표로 합니다.

Synopsys 전방위적 인텔리전스 분야의 선구자로, 아키텍처, 설계, 검증, 구현, 시스템 검증, 사인오프, 제조, 제품 테스트 및 현장 배포를 포함한 전체 실리콘 라이프사이클에 걸쳐 상호 연결되고 협업이 가능한 AI 기반 EDA 도구를 적용합니다. 2023년 3월에 출시된 Synopsys.ai는 업계 최초의 풀스택 AI 기반 EDA 제품군으로, 엔지니어들이 올바른 사양의 칩을 시장에 더 빠르게 출시할 수 있도록 지원합니다. 향후 지속적인 기능 개선이 예정된 가운데, 현재 이 제품군에는 다음이 포함되어 있습니다:

• Synopsys DSO.ai™는 칩 설계의 방대한 해 공간에서 최적화 대상을 자율적으로 탐색합니다.
• Synopsys VSO.ai, 이를 통해 검증 커버리지 클로저 및 회귀 분석을 자동으로 더 빠르게 수행함으로써 기능 테스트 완료 시간을 단축하고, 커버리지를 높이며, 버그를 예측적으로 탐지합니다.
• Synopsys TSO.ai, 이는 방대한 테스트 탐색 공간에서 최적의 해를 자동으로 찾아내어 패턴 수 및 자동 테스트 패턴 생성 (ATPG) 처리 시간을 최소화합니다.
• Synopsys ASO.ai™는 ‘ 아날로그 설계 ’ 워크플로우를 자율적으로 가속화하며, 다양한 기술 노드에 걸쳐 아날로그 IP의 신속한 마이그레이션과 효율적인 설계 재사용을 가능하게 합니다.
• Synopsys.ai Copilot은 생성형 AI를 활용하여 전문적인 지침을 제공하고, 설계 작업을 자동화하며, 칩 설계 스택 전반에 걸쳐 생산성을 높여줍니다.