LLM 기반 접두사 가산기 최적화

접두사 가산기는 필수적인 산술 회로지만, 비트 폭이 증가함에 따라 설계 공간이 기하급수적으로 커져 최적화에 큰 어려움이 있습니다. 기존 방법론은 성능, 일반화 및 확장성 측면에서 한계를 보였습니다. 본 연구는 이러한 문제를 해결하고자 대규모 언어 모델(LLM) 기반의 효율적인 접두사 가산기 최적화 프레임워크인 PrefixAgent를 제안합니다. PrefixAgent는 최적화 문제를 백본 합성(backbone synthesis)과 구조 정제(structure refinement)의 두 가지 하위 작업으로 재구성하여 탐색 공간을 효과적으로 줄입니다. LLM은 함수 호출을 통해 도구를 활용하여 이 두 단계를 수행하며, 추론과 전자 설계 자동화(EDA) 피드백을 기반으로 백본을 반복적으로 구성하고 국부 구조를 정제합니다. 또한, e-그래프의 재작성 및 등가 포화 기능을 활용해 접두사 가산기 해법 공간을 포괄적으로 탐색하고, e-그래프의 설명 가능성으로 세분화된 재작성 궤적을 추출하여 효과적인 훈련 데이터로 사용합니다. 이 데이터셋으로 PrefixAgent를 미세 조정하여 최적화 능력과 추론 일반화 성능을 크게 향상시켰습니다. 실험 결과, PrefixAgent는 거의 모든 구성에서 기준선 방법보다 더 작은 면적의 접두사 가산기를 합성했으며, 비트 폭이 커질수록 그 이점이 더욱 두드러졌습니다. 상용 EDA 흐름에서도 효과적인 성능을 유지했습니다. PrefixAgent는 복잡한 하드웨어 설계 최적화에 LLM을 성공적으로 적용한 사례로, 향후 다양한 전자 회로 설계 및 최적화 문제 해결에 기여할 수 있을 것으로 기대됩니다.