배치배선은 원래 여러 목표를 함께 다루지만 일반적인 흐름에서는 순차 단계로 보입니다. 글로벌 배치는 합법적인 셀 분포와 짧은 배선을 먼저 찾습니다. 타이밍 최적화는 셀 크기와 버퍼, 위치를 바꿉니다. 라우팅 단계에서 혼잡, 핀 접근, 비아, 설계 규칙 위반이 드러납니다. 각 단계는 앞 단계의 근사를 수정하면서 다음 단계의 새로운 조건을 만듭니다.
최근 AI 기반 방식은 결과가 돌아오는 위치를 바꾸고 있습니다. C3PO는 미분 가능한 목표로 타이밍, 배선 가능성, 배선 길이를 동시에 최적화합니다[1]. DCO-3D는 3D 구현의 혼잡을 예측하고 미분 가능한 경로로 셀을 분산합니다[2]. DAC 2025의 라우팅 연구는 강화학습으로 어느 영역을 뜯어내고 다시 배선할지 선택합니다[3]. 세 방식의 공통점은 후단 문제를 아직 바꿀 수 있는 결정으로 돌려보내는 것입니다.
순차 최적화가 남기는 문제
반둘레 배선 길이가 짧은 배치도 핀이 많은 셀을 같은 라우팅 통로에 몰아넣으면 실제 배선이 어렵습니다. 타이밍을 줄이기 위한 이동은 혼잡한 영역에 버퍼를 더 넣을 수 있습니다. 라우터는 우회 경로를 만들고 배선 길이, 비아, 커패시턴스, 지연이 늘어납니다. 최종 실패는 라우팅에서 보이지만 원인은 앞단 배치 목표에 있을 수 있습니다.
기존 흐름은 반복 실행과 정교한 패널티 조정으로 이 문제를 관리합니다. 작동하는 방식이지만 결과의 원인을 찾기 어렵습니다. 전체 타이밍이 개선됐을 때 초기 배치, 라우터 휴리스틱, 적극적인 버퍼 삽입 중 무엇이 기여했는지 분리하기 어렵습니다. 실패한 실행은 몇 시간이 지난 뒤에야 문제 영역을 보여 줄 수 있습니다.
학습 또는 미분 가능한 시스템의 가치는 원인과 결과의 거리를 줄이는 데 있습니다. 전체 배선 전에 혼잡을 예측하고, 타이밍 민감도를 셀 좌표에 전달하며, 위반을 줄일 가능성이 높은 국소 수정 영역을 찾습니다. 결과의 구현과 최종 검사는 기존 도구가 담당합니다.
세 목표를 동시에 조정하는 C3PO
C3PO는 타이밍, 배선 가능성, 배선 길이를 GPU 기반 글로벌 배치 과정에서 함께 다룹니다[1]. 세 목표는 단위와 크기가 다르고 서로 반대 방향을 가리킬 수 있습니다. 고정 가중치 대신 다중 기울기 방식으로 균형을 조정하며 함께 개선할 수 있는 방향을 찾습니다.
모든 단계에 맞는 하나의 점수는 없습니다. 초기 배치는 밀도 제어가 더 중요할 수 있습니다. 타이밍 임계 블록은 슬랙을 지키기 위해 배선 길이를 쓸 수 있습니다. 배선 가능성의 한계에 가까운 설계는 큰 우회를 막기 위해 작은 타이밍 손실을 받아들일 수 있습니다. 가중치의 자동 조정은 이런 절충을 사람이 바깥에서 반복해서 조절하지 않고 알고리즘 안에서 다룹니다.
TILOS와 IWLS의 ASAP7 설계 여덟 개에서 C3PO는 상용 도구 비교보다 배선 이후 길이를 최대 16.7%, 스위칭 전력을 최대 19.6% 줄였다고 보고했습니다[1]. ASAP7은 예측형 학술 7 nm 공정 설계 키트이며 상용 공정이 아닙니다. 전체 구현 흐름까지 비교했다는 점은 강한 근거지만 공정 범위는 수치와 함께 유지해야 합니다.
산업 적용에는 매크로, 계층, 첨단 공정 규칙, 독점 라이브러리를 바꿔도 결과가 유지되는지 추가 검증이 필요합니다. 이 조건들은 혼잡의 기하 구조와 셀 이동의 타이밍 민감도를 바꿉니다. 최대 이동 거리, 합법 영역, 전력 도메인 경계, 사인오프가 악화될 때의 되돌리기도 운영 규칙으로 필요합니다.
수직 혼잡을 기울기로 바꾼 DCO-3D
3D 집적은 배선 차원을 하나 더 만들지만 평면 제약을 없애지 않습니다. 각 층의 셀은 같은 층의 배선을 경쟁하고, 수직 연결은 본딩이나 비아 자원을 사용하며 타이밍에도 영향을 줍니다. 셀 면적을 균등하게 나눠도 층 사이 연결과 밀집 로직 주변에 수요가 모이면 배선할 수 없습니다.
DCO-3D는 샴 U-Net 혼잡 예측기와 미분 가능한 셀 분산 방식을 사용해 예상 혼잡 영역에서 셀을 밀어냅니다[2]. 쌍으로 구성된 정보는 3D 구조의 서로 다른 층 사이 관계를 읽는 데 사용됩니다. 전체 배선이 실패할 때까지 기다리지 않고 예상 지도에 따라 배치를 바꿉니다.
논문은 같은 상용 배치 시드를 사용한 상용 3 nm 공정의 산업 벤치마크 여섯 개를 평가했습니다. 전체 구현 흐름 끝에서 총 음의 슬랙을 최대 86%, 총 전력을 4.8% 개선했다고 보고했습니다[2]. 혼잡 지도가 매끄러워진 것에 그치지 않고 타이밍과 전력 결과까지 이어졌다는 의미입니다.
분모는 설계 조건에 따라 달라집니다. 3D 흐름에는 분할 방식, 층별 공정, 층간 연결 피치, 열 한계, 클록 전달이 포함됩니다. 혼잡 최적화만으로 이 시스템 가정을 고를 수 없습니다. 아키텍처와 분할이 트래픽 경로를 정한 뒤 배치를 개선합니다.
전체를 다시 하지 않는 상세 배선 수정
상세 배선 단계의 문제는 국소적인 경우가 많습니다. 설계 규칙 위반이 모인 영역의 배선을 뜯고 다시 연결하면 해결할 수 있습니다. 창이 너무 작으면 충돌을 벗어날 수 없고, 너무 크면 잘 만들어진 배선까지 없애 실행 시간이 늘어납니다. 어느 창을 어떤 순서로 고를지가 계획 문제가 됩니다.
DAC 2025 연구는 창 선택을 강화학습 문제로 구성합니다[3]. 에이전트가 배선 상태를 보고 기존 뜯어내기와 재배선 도구에 넘길 영역을 고릅니다. 보고된 TritonRoute 비교에서 설계 규칙 위반이 없는 결과에 도달하면서 평균 배선 길이는 0.07%만 늘었고 비아 수는 2.42% 줄었으며 평균 실행 시간은 비슷했습니다.
이 결과를 라우터 전체를 AI가 대체한 것으로 설명하면 안 됩니다. 강화학습 정책은 모든 배선을 생성하거나 기하 설계 규칙을 대신 검사하지 않습니다. 기존 라우터가 다음 수정 노력을 쓸 위치를 정합니다. 동작이 국소적이고 보상을 측정할 수 있으며 라우터가 합법성을 지키기 때문에 신뢰할 수 있는 권한 경계입니다.
배치와 라우팅에 필요한 서로 다른 표현
글로벌 배치는 연속 좌표, 밀도장, 타이밍 그래프, 매끄러운 근사를 사용할 수 있습니다. 상세 배선은 트랙, 비아, 장애물, 이산적인 설계 규칙을 다룹니다. 한 단계에 좋은 표현이 다른 단계에 필요한 정보를 지울 수 있습니다.
전체 흐름을 연결한다고 하나의 신경망을 쓸 필요는 없습니다. 단계 사이의 인터페이스가 호환되어야 합니다. 글로벌 배치는 불확실성과 예상 혼잡을 내보내고, 라우팅은 국소 실패와 우회 비용을 반환하며, 타이밍은 두 단계에 민감도를 제공할 수 있습니다. 각 해법은 자기 상태 공간에 맞는 방법을 사용하면 됩니다.
원인을 추적하는 공통 식별자도 필요합니다. 라우팅이 혼잡 영역을 보고하면 관련 셀과 넷, 그 영역을 만든 배치 목표까지 연결해야 합니다. 이 연결이 없으면 피드백은 또 하나의 스칼라 패널티가 되고 다음 실행에서 같은 실패가 다른 곳에 나타날 수 있습니다.
분리해서 보여 줄 다목적 결과
타이밍, 전력, 혼잡, 배선 길이, 비아, 실행 시간은 서로 바꿀 수 있는 같은 단위가 아닙니다. 일부 최적화기에는 가중합이 필요하지만 보고 결과까지 하나의 점수로 만들면 안 됩니다. 중요한 체크포인트마다 전체 지표와 제약 상태를 보여 줘야 합니다.
파레토 분석은 서로 다른 절충을 가진 후보를 유지합니다. 제품의 전력 한계, 주파수 목표, 제조 위험에 따라 선택할 수 있습니다. 자동 가중치 알고리즘은 가중치가 어떻게 바뀌었고 어느 제약이 활성화됐는지를 기록해야 합니다. 예상 밖 결과를 검토하고 한 지표의 큰 이득으로 다른 지표의 손실을 숨기지 않기 위해서입니다.
시드와 작은 넷리스트 변화에 대한 안정성도 필요합니다. 가장 좋은 한 번의 실행이 평균적인 동작을 대표하지 않을 수 있습니다. 여러 시드의 분포와 실패율을 보여 줘야 야간 생산 흐름에 넣을 수 있습니다.
도구 지연과 대리 모델 보정
모든 보상을 얻는 데 몇 시간짜리 배치배선이 필요하면 수학적으로 좋은 최적화기도 운영할 수 없습니다. C3PO와 DCO-3D는 중요한 목표를 미분 가능하고 GPU에서 빠르게 계산합니다. 라우팅 창 정책은 국소 동작을 사용해 매 판단마다 전체를 다시 시작하지 않습니다. 피드백 비용을 줄이는 서로 다른 방법입니다.
대리 모델에는 보정 비용이 있습니다. 한 공정과 도구 버전에서 학습한 혼잡 예측기는 배선 규칙이 바뀌면 어긋날 수 있습니다. 타이밍 근사는 평균 순위를 유지하면서 새로운 임계 경로 유형을 놓칠 수 있습니다. 상용 기준 도구와 정기적으로 비교하고 차이가 임계값을 넘으면 자동화를 끄는 규칙이 필요합니다.
계산량은 불확실성에 따라 배분해야 합니다. 익숙한 블록은 빠른 예측으로 대부분의 후보를 거르고 최종 후보만 전체 흐름으로 확인할 수 있습니다. 새로운 토폴로지와 학습 범위 밖 영역은 더 자주 실제 도구를 호출해야 합니다. 비싼 기준 평가가 언제 필요한지를 판단하는 것도 에이전트의 역할입니다.
도입 판단의 기준
설득력 있는 배치배선 자동화는 완성된 레이아웃을 AI가 처음부터 그린다고 주장하지 않습니다. 합법성과 사인오프를 아는 기존 도구 주변에 빠르고 구조화된 판단기를 배치합니다. 동시 배치는 목표를 앞에서 연결하고, 혼잡 예측은 라우팅 근거를 앞단으로 옮기며, 강화학습 창 선택은 상세 수정 노력을 필요한 곳에 집중합니다.
도입 시에는 개선이 전체 구현 흐름 뒤에도 남는지, 모든 목표가 따로 보이는지, 예측이 신뢰할 수 없는 상황을 모델이 표시하는지를 확인해야 합니다. 공정, 라이브러리, 시드, 기준 도구, 실행 시간의 비교 조건도 같아야 합니다.
전략적인 변화는 배치배선 과정이 이전 실행의 원인을 기억한다는 데 있습니다. 각 단계가 비용을 만든 이유를 그 결정을 한 단계로 돌려보낼 수 있습니다. 피드백이 충분히 빨라지면 같은 물리 충돌을 여러 실행에서 다시 발견하는 일을 줄일 수 있습니다.
출처와 저작권 안내
이 글은 인용한 세 논문과 공식 공개 기록을 바탕으로 Silicon & Systems가 독립적으로 작성한 편집 분석입니다. 기술 내용과 수치는 우리 표현으로 다시 설명했으며 원문의 문장, 표, 배선, 레이아웃 또는 도판을 복제하지 않았습니다. 두 도판은 이 글을 위해 새로 만들었습니다. 인용 논문의 저작권은 각 출판사와 저자에게 있습니다.