AI가 RFIC 설계의 “흑마술”을 배우다

• RFIC는 5G, 자동차 레이더, 위성 통신 같은 무선 기술의 기반이지만, 전자기·열·패키징 신뢰성을 함께 맞춰야 해 수작업 중심의 난제로 남아 있음
• Princeton 연구진은 인간 설계 템플릿을 출발점으로 삼지 않고, 강화학습과 역설계를 결합해 아키텍처·회로 토폴로지·소자 파라미터·전자기 인터페이스를 처음부터 탐색함
• AI 기반 에뮬레이터는 임의의 2차원 전자기 구조에 대한 산란 파라미터를 밀리초 단위로 예측해, 기존 전자기 솔버의 분~시간 단위 반복을 크게 줄임
• 2023년 30~100GHz 밀리미터파 전력 증폭기에서 당시 실리콘 기반 전력 증폭기 중 대역폭·출력·효율 조합이 가장 좋은 결과를 냈고, 2024년에는 multiport IC 구조도 분 단위로 생성함
• AI는 작동하지 않는 회로도 만들 수 있어 검증에는 인간 감독이 필요하며, 범용 모델로 가려면 NDA에 묶인 RFIC·아날로그 설계 데이터를 공유할 개방형 생태계가 필요함

---

RFIC 설계가 “흑마술”로 남은 이유

• RFIC는 기기가 무선으로 정보를 송수신하게 하는 핵심 회로이며, 자율주행차, 양자 통신, 6G, 위성 통신의 발전도 더 진보한 RF 칩에 의존함
• CPU나 GPU 설계는 표준화된 과학에 가까워졌지만, RF 설계는 오랜 경험으로 익히는 수작업 기반 기술의 성격이 강함
• RFIC 설계는 여러 물리 영역을 동시에 다룸
  • Maxwell 방정식은 전자기장이 능동·수동 소자와 상호작용하는 방식을 지배함
  • 열역학은 동작 중 열이 생성되고 제거되는 방식을 좌우함
  • 열팽창과 수축은 칩과 패키지가 온도 변화에서 안정적으로 버티는지와 연결됨
• 모든 물리 제약을 함께 고려해야 하므로 설계 공간이 매우 크고, 한 성능 지표를 높이면 다른 지표가 나빠지는 트레이드오프가 자주 생김

전통적 RFIC 설계 흐름과 병목

• 5G 밀리미터파 핸드셋용 28GHz 전력 증폭기를 설계하려면 먼저 회로 아키텍처와 토폴로지를 정해야 함
• RFIC 아키텍처는 집의 청사진처럼 필요한 구성 요소와 신호 경로를 정함
  • 전력 증폭기에서는 증폭 단계 수가 중요한 요소가 됨
  • RFIC 면적 대부분은 트랜지스터보다 인덕터, 전송선 같은 수동 소자와 전자기 구조가 차지함
• 5G 신호는 28GHz와 39GHz, 위성 통신은 26.5~40GHz 이상, 자동차 레이더는 77GHz에서 동작하며, RFIC는 이런 고주파에서 신호 에너지를 정교한 전자기 구조로 관리함
• 신호 경로가 다음 구성 요소와 제대로 맞지 않으면 에너지가 앞으로 흐르지 않고 뒤로 반사되는 임피던스 매칭 문제가 생김
  • 엔지니어는 구성 요소 사이에 미세한 전환 구조를 설계해 반사를 줄임
  • 이 구조는 신호 전달뿐 아니라 분할, 결합, 다중 경로 분배에도 쓰일 수 있음
• 사양을 만족하지 못하면 토폴로지나 아키텍처를 다시 고치고 시뮬레이션을 반복해야 하며, 새 칩 설계에는 수년과 수천만~수억 달러가 들어갈 수 있음

템플릿을 벗어난 AI 설계 접근

• 기존 연구는 머신러닝을 회로 템플릿 최적화에 활용했지만, 여전히 인간이 만든 기존 설계 라이브러리에 의존함
• Princeton 연구진의 목표는 미리 만든 토폴로지 없이 아키텍처, 구성 회로, 전자기 수동 구조의 모든 파라미터를 알고리듬이 처음부터 정하게 하는 것임
• 이 방식은 기존 최적화와 출발점이 다름
  • 기존 방식은 인간이 만든 구조에서 트랜지스터 크기나 수동 소자 형상 같은 파라미터를 조정함
  • 새 방식은 빈 상태에 가까운 출발점에서 후보 회로 조합을 만들고, 성능 트레이드오프를 매핑하며 설계 공간을 탐색함
• 접근 방식은 AlphaGo Zero처럼 인간 사례를 따라가기보다 자체 탐색과 평가로 설계 전략을 발전시킴
• 알고리듬은 회로, 전자기, 그리고 둘 사이의 공동 설계를 학습해 end-to-end RFIC 설계를 목표로 함

강화학습과 역설계의 결합

• 첫 단계는 강화학습 프레임워크로, 최적의 시스템 아키텍처, 회로 토폴로지, 소자 파라미터, 전자기 인터페이스 특성을 정함
• 강화학습 에이전트는 게임을 배우는 컴퓨터처럼 여러 조합을 시도하고, 행동과 점수의 관계를 관찰하며 더 나은 회로를 찾아감
  • 학습에는 며칠에서 일주일이 걸림
  • 학습이 끝난 뒤에는 회로를 매우 빠르게 설계할 수 있음
• 두 번째 단계는 원하는 산란 파라미터를 만드는 물리적 전자기 구조를 찾는 역설계임
  • 산란 파라미터는 신호가 구성 요소 안으로 들어갔을 때 앞으로 진행하는지, 뒤로 반사되는지를 측정함
  • 구조공학에서 목표 공간을 만들기 위해 아치나 버팀 구조를 찾는 방식과 유사함
• RFIC 역설계는 회로 동작과 인터커넥트·수동 소자의 전자기 응답을 동시에 맞춰야 하므로, 반복적인 수작업 탐색만으로 해결하기 어려움

AI 에뮬레이터가 줄인 전자기 설계 반복

• 연구진은 RF 회로 시뮬레이터를 AI 기반 에뮬레이터로 대체함
• 이 모델은 임의의 2차원 구조를 입력받아 Maxwell 방정식을 직접 계산하지 않고 산란 파라미터를 예측함
  • 기존 전자기 솔버가 분~시간 걸리던 작업을 밀리초 단위로 줄임
• 에뮬레이터는 이미지 처리에 강한 합성곱 신경망을 기반으로 구축됨
  • 구조 이미지는 전자기 성능을 예측할 수 있는 공간 정보를 포함함
  • 연구진은 산란 파라미터가 라벨링된 다수의 무작위 픽셀 구조로 모델을 학습시킴
• 강화학습 기반 역설계와 AI 에뮬레이터를 결합해 end-to-end AI designer를 구성하고, 전력 증폭기 설계에 적용함

사람과 다른 RF 아키텍처 결과

• 2023년 공개된 개념 증명은 30~100GHz 밀리미터파 대역 전력 증폭기를 대상으로 함
  • 이 범위는 관련 5G와 레이더 주파수 대부분을 포함함
  • 최종 설계는 당시 실리콘 기반 전력 증폭기 중 wide bandwidth, output power, efficiency의 조합이 가장 좋았고, record efficiency를 유지함
• 생성된 전자기 경로는 사람이 일반적으로 고려하는 정규적·대칭적 구조와 달리, 임의 패턴이나 QR 코드처럼 보였음
• 이 결과는 역사적으로 사용해 온 템플릿이 현대 설계 목표에 최적에 가깝다는 보장이 없음을 보여줌
• 이후 연구진은 입출력 포트가 많은 구조로 모델을 확장함
  • 2개 포트는 산란 파라미터 4개, 4개 포트는 16개가 되어 복잡도가 빠르게 증가함
  • 2024년 multiport integrated circuits 연구에서 AI 알고리듬이 multiport 구조도 다룰 수 있음을 보임
  • 이전에는 multiport 전자기 시뮬레이션에 며칠 또는 몇 주가 필요했지만, 이 모델은 새 구조를 분 단위로 진화시킴
• 강화학습 프레임워크와 역설계를 결합해 사양에서 fabrication-ready layout까지 생성하는 흐름을 보였고, 저잡음 증폭기, subterahertz, broadband power amplifiers에 적용됨

해석 가능한 AI 설계

• RFIC 테스트와 디버깅은 설계만큼 오래 걸리거나 더 어려울 수 있어, 엔지니어는 문제가 생겼을 때 이해하고 고칠 수 있는 해석 가능한 구조를 선호함
• 연구진은 이미지 생성 AI에 쓰이는 diffusion models를 RFIC 구조 생성에 적용함
• 텍스트 프롬프트 대신 산란 파라미터를 입력으로 사용하고, RFIC의 전자기 구조를 출력으로 생성함
• 공간 주파수 다이얼을 입력에 포함해 설계자가 결과 구조의 형태를 조절할 수 있게 함
  • 낮은 공간 주파수: 고전적이고 해석 가능한 형태
  • 중간 공간 주파수: 미로 같은 구조
  • 높은 공간 주파수: 픽셀화되거나 임의 형태에 가까운 구조
• 프롬프트에서 출력까지 전체 과정은 약 6분이 걸리며, 물리적으로 Maxwell 방정식 아래 실현 가능한 산란 파라미터라면 대응 구조를 생성할 수 있음

남은 한계와 데이터 과제

• AI 기반 설계 방식은 RF 커뮤니티의 관심을 얻었고, 전통적인 bottom-up 설계 흐름을 뒤집기 시작함
• 아직 해결되지 않은 질문이 남아 있음
  • 방법이 얼마나 일반화될 수 있는지
  • 꾸준히 높은 성능을 낼 수 있는지
  • 가능한 모든 트레이드오프를 전체적으로 최적화할 수 있는지
  • RFIC를 넘어 인간이 만든 적 없는 다른 회로까지 발명할 수 있는지
• AI는 작동하지 않는 나쁜 회로를 생성하는 hallucination을 할 수 있어, 검증에는 인간 감독이 계속 필요함
• 범용 foundational model을 만들려면 전자기와 회로 동작의 지배 법칙을 학습할 대규모 데이터가 필요함
  • ImageNet은 1,400만 개의 다양하고 사람 라벨이 붙은 이미지로 이미지 인식 모델의 일반화를 가능하게 한 사례임
  • RFIC와 아날로그 설계에서도 비슷한 규모와 다양성의 데이터가 필요함
• 데이터는 전 세계 기업과 연구실의 시뮬레이션에 많이 존재하지만, 대부분 NDA 뒤에 묶여 있음
• Natcast는 U.S. CHIPS and Science Act’s R&D program을 운영하며 차세대 무선, 센싱, 방위 기술을 위한 공유 인프라와 혁신을 강화할 수 있었지만, 조직과 머신러닝·RFIC 관련 프로그램은 종료됨
• RFIC 분야가 AI 연구자와 칩 설계자 간 협력을 넓히고 개방형 생태계를 만들면, AI 기반 IC 설계의 잠재력을 더 크게 활용할 수 있음

[GN⁺]

Hacker News 의견들

• 예전의 유전 알고리즘 탐색이 떠오름. 추측하고 검증하는 방식은 꽤 강력할 수 있고, 특히 중간에 에이전트의 안내를 넣을 수 있으면 더 그렇다
  https://en.wikipedia.org/wiki/Evolved_antenna

  • 비슷한 얘기를 하려 했음. 부품 수를 최소화한 발진기를 유전 알고리즘으로 만들던 일화가 기억나는데, 결국 단일 와이어 하나로 성공해서 사람들을 놀라게 했다고 함. 즉 근처의 잡음성 RF를 잡아내는 안테나였던 셈
  • 이것도 있음: https://en.wikipedia.org/wiki/Evolvable_hardware
    출발점으로는: https://sci-hub.ru/storage/moscow/4324/11d145b2c2c3ab320f70b...

• 참된 이론은 어딘가 아름답고 우아해야 한다는 흔한 기대가 앞으로 한 세기를 버틸지 궁금함. 실제 자연 현상이 사실은 기계만 다루고 추론할 수 있는, 끔찍하게 지저분한 방정식 덩어리로 가장 잘 설명된다면 어떨까 싶고, 그건 꽤 슬플 듯

  • 그 “흔한 기대”라는 표현은 좀 지나친 것 같음. 대부분의 사람은 과학 이론을 근사로 이해함. F=ma도 뉴턴 역학 범위 안에서만 맞고, 각 항에도 수많은 단서가 붙어서 실제 측정은 언제나 근사일 뿐임
    물리학자들이 “완전한 구형 소”를 가정한다는 농담도 이 맥락이고, 사실 “수학의 비합리적 효과성” 에세이의 핵심도 여기에 가까움. 수학적 근사가 세상을 그렇게 잘 설명한다는 것 자체가 비합리적으로 놀랍다는 이야기임
  • 의학과 인간 몸을 보면서 자주 이런 생각을 함. 우리는 몸이 기적처럼 잘 기름칠된 기계라고 믿고 싶어 하지만, 실제로는 간신히 붙어 있는 엉망인 주머니처럼 보일 때가 많음
  • 요즘 나도 이 생각을 자주 함. 특히 이해하기 어렵지만 기계로 검증 가능한 증명들이 많이 나오고 있다는 점을 보면 더 그렇다
    오컴의 면도날은 유용한 휴리스틱이지만, 더 단순한 설명 쪽으로 우리를 편향시키기도 함
  • 오히려 정말 멋질 듯. 가장 낮은 수준에서는 모든 것이 이미 확률 구름이라는 걸 알고 있음. 무엇도 영원히 확정할 수 없다는 데에도 아름다움과 편안함이 있음
  • “흔한 기대”는 핵심을 놓친 것 같음. 근본 이론이 단순하거나 우아해야 한다는 뜻이 아니라, 더 복잡한 이론과 더 단순한 이론 중 하나를 골라야 한다면 대체로 가장 단순한 이론이 더 정확한 선택이라는 뜻에 가까움. 양자물리 방정식도 꽤 못생겼음

• AI 설계의 훌륭한 용도 중 하나는 특허 오염임. AI로 대량의 변형 설계를 만들어 웹사이트에 공개해 두고, 나중에 특허가 나오면 겹치는 부분을 이용해 무효화하거나 최소한 범위를 좁힐 수 있음. 특허의 일반화는 선행기술에 의해 제한되기 때문임

  • 2019/2020년 Sam Smith 침해 판결 때 변호사 Damien Riehl이 보였던 퍼포먼스성 대응이 떠오름. 그는 프로그래머 Noah Rubin과 함께 특정 조합 공간 안에서 가능한 모든 멜로디를 MIDI 형식으로 알고리즘 생성하고, 이를 CC-0 라이선스로 공개했다고 주장했음 [0]
    이후 지역 TEDx 행사에서 자신의 논리를 설명하며 어느 정도 주목을 받았고 [1], 법률 해설자들은 판사들이 이런 것보다 훨씬 미세한 차이를 일상적으로 가른다며 시큰둥해했던 것으로 기억함. 그래도 귀여운 시도였음
    [0] https://allthemusic.info/
    [1] https://m.youtube.com/watch?v=sJtm0MoOgiU and
    https://www.the-independent.com/tech/music-copyright-algorit...

• 조금 답답함. AI가 많은 일을 할 수는 있지만, LLM과 몬테카를로, 유전 알고리즘, 전문가 시스템, 기타 통계적 마술 같은 전통적 기계학습을 계속 뒤섞으면서, 이미 자리 잡은 도덕적으로 중립적인 기계학습 활동과 LLM·Stable Diffusion에 대한 우려를 너무 공격적으로 한데 묶고 있음
  그리고 아마 그게 의도일 수도 있겠다는 생각도 듦

  • 문제는 사람들이 AI가 무엇을 할 수 있다고 말하면서 마치 LLM이 그 일을 할 수 있다는 듯 암시한다는 데 있음. 그래서 순수 LLM이 거의 뭐든 할 수 있는 것처럼 보임. 반대로 LLM이 어떤 일을 기본적으로 잘 못한다는 이유로 AI는 절대 X를 못 할 거라고도 말함. AI라는 말은 너무 모호해져서 쓸모가 줄었음
  • 마법 지팡이를 휘둘러서 AI라는 단어 자체를 없애고 싶음. 실제 의미가 없음. Mario Kart의 상대 캐릭터부터 Stable Diffusion까지 무엇이든 가리킬 수 있음
  • “AI”는 멋진 SF 함의에 저주받은 용어임. 그래서 마케팅 용어로는 강력함. 많은 사람이 SF 속 AI에 익숙하고, “어떤 매체가 어떤 기술을 예언했다”는 믿음도 Star Trek, 은하수를 여행하는 히치하이커를 위한 안내서, Arthur C. Clarke 같은 X와 인터넷, 휴대폰, VR 같은 Y에 대해 꽤 널리 퍼져 있음
    뭔가에서 큰 진전이 있다고 말하고 싶을 때, SF가 인간 성취를 예언한다는 대중과학적 이해에 연결하는 건 노력은 적고 효과는 큰 방식임. 사람들을 흥분시키는 것이 1순위라면 정확하게 전달하려는 게 아님
  • 그래서 전통적 기계학습은 ML, 대규모 언어 모델은 LLM이라고 부르는 연습을 하고 있음. 더 이상 AI라는 말은 되도록 쓰지 않으려 함. 너무 애매함. 게임 AI를 말할 때도, 그 AI가 쓰는 것 같은 알고리즘의 줄임말을 쓰려고 함. 종종 순서도라고 표현하지만 실제 내부가 꼭 순서도인지는 확실하지 않음
  • AI 겨울 동안 더 성공한 기계학습 분야들이 그 용어와 거리를 뒀던 것처럼, 이제 AI 여름이 되었으니 다시 그 용어를 받아들이는 모습을 보게 될 듯하고, 이미 그러고 있는지도 모름

• “인간은 상상조차 못 했다”는 말은 과장처럼 보임. 그래도 기계학습 알고리즘이 무차별 탐색으로 아무도 시도하지 않은 칩 설계에 도달할 수 있고, 그중 일부가 우리에게 유용할 수 있다는 건 충분히 가능해 보임. 컴퓨터가 하기엔 꽤 합리적인 일임

  • 마케팅 헛소리임. 하나는 부정을 증명하는 것과 같아서, 인간이 그것을 상상할 수 없었다는 걸 증명할 수 없음. 둘째로 인간은 이미 꽤 많은 괴상한 것들을 상상해 왔음
  • 무차별 탐색 부스러기가 올라간 기계학습 레이어 케이크 같음

• 기사에서 얻을 수 있는 한 가지는 이런 발전을 만들기 위해 검증된 칩 설계의 기본 구성 블록을 버려야 했다는 점임. 평범한 코딩에도 같은 얘기가 적용될지 궁금함. AI 코딩의 놀라운 혁신이 실제로는 Rust와 Python에 가로막히고 있는 걸까? AI 도구가 가능한 한 가장 낮은 수준에서 그냥 코딩하게 둬야 할까?

  • 흥미로운 질문이지만, 이식성에는 꽤 걱정스러운 함의가 있어 보임

• 이 오래된 글이 떠오름: https://www.damninteresting.com/on-the-origin-of-circuits/
  인터넷에서 발견한 작은 보물 중 하나임

  • 나도 이걸 올리려 했음. 처음 읽었을 때 정말 충격적이었기 때문에 다른 사람들도 즐긴다는 걸 보니 반갑다
    근처 다른 댓글에서 실험실에서 자란 설계의 견고성 얘기가 나왔는데, Damn Interesting 글에서 가장 흥미로웠던 부분도 진화한 프로그램이 학습에 사용된 단 하나의 물리적 FPGA와 분리될 수 없었다는 사실이었음. 이번 RFIC 학습 모델은 시뮬레이터를 쓰니, 시뮬레이터가 돌아가는 물리 하드웨어의 특성이 학습에서 충분히 격리되어 서로 다른 하드웨어에서 시뮬레이터를 돌려도 설계들이 비슷하게 동작할지 궁금함
    더 명백한 질문은 시뮬레이터에서 진화한 설계가 실제 물리 하드웨어에서도 기대대로 동작할 희망이 있느냐는 것임. 후자에 대한 내 직감은 아니라는 쪽이지만, 여전히 흥미로운 연구로 보이고, FPGA에서 실제로 무슨 일이 벌어졌는지 제대로 이해하는 것이 강화학습을 진짜로 다루는 데 선행 조건일지도 모른다는 생각을 자주 함
    이 글을 올려줘서 반갑고, 이 분야와 관련된 다른 즐겨찾기가 있으면 보내주면 좋겠음
  • 너무 특화되고 최적화되어 더 이상 적응할 수 없게 된 종의 예시이기도 함. 또한 POSIWID의 예시이기도 함

• 가장 큰 질문은 이런 설계가 얼마나 견고한가임
  논문에서는 실제 장치 측정값이 예측과 잘 맞는다고 보여주긴 했지만, 본문에서 이를 명시적으로 다룬 부분은 찾지 못했음. 또 제시된 일부 시스템에는 전통적으로 설계된 하위 블록이 포함되어 있어서 그쪽이 일부 역할을 떠맡고 있을 수도 있음
  어쩌면 내 일자리를 노리는 것 같아 괜히 삐딱하게 보는 걸 수도 있고, 어쩌면 우리가 그렇게 생각하길 바라는 걸 수도 있음
  실제로 이기는 건 제조·환경 변동과 모델 한계에도 버틸 수 있는 단순한 아이디어라고 봄. 피드백이나 대칭성 같은 것들임. 그런데 여기서 보여주는 건 그 반대에 가까움. 회로 파라미터를 블라인드 최적화해 본 적이 몇 번 있는데, 결국 “여기에는 대칭이 필요하구나”나 “여기에는 대역폭이 더 필요하구나” 같은 놓쳤던 단순한 아이디어를 깨닫고 나면 완전히 말이 됐음. 그래서 이 구조의 몇 픽셀만 손보면 더 단순한 무언가가 드러나지 않을까 궁금함
  그리고 의무적으로 “유전 안테나”도 언급해야 함

  • 바로 이 부분이 이 기사와 과거의 몇몇 비슷한 기사에서 걸리는 점임. 설계에서 AI가 유용하다는 주장에 대한 증거가 들어 있지 않음
    본문에 따르면 AI의 역할은 최적화 과정에서 전자기 시뮬레이터를 대체해 구조의 동작을 추정하는 것이고, 이는 시뮬레이션보다 여러 자릿수 빠르다고 함
    그럴듯하게 들리지만, 이를 믿으려면 AI 학습에 쓰인 것과 크게 다른 기하 구조에 대해 AI의 추정과 실제 측정 사이의 차이를 보고 싶음. 또 AI 모델의 속도를 정확히 어떤 시뮬레이터와 비교했는지도 봐야 함
    전자기장과 전자회로에는 정확도와 속도를 맞바꾸는 여러 시뮬레이션 접근법이 있음. 그래서 AI 추론이 반드시 더 빠른 저정확도 시뮬레이션보다 훨씬 적은 시간을 쓴다고는 확신하지 못하겠음. 그런 시뮬레이션도 AI 추정보다 더 정확하고 신뢰할 만할 수 있음
  • 나도 유전 안테나를 언급하러 왔음
    이미 먼저 말했으니, “꽤 단순한 아이디어를 깨닫는다”는 얘기와 관련해 하나 덧붙이면, 이런 컴퓨터 지원 설계의 큰 장점 중 하나는 “innovization”[1]이라고 생각함. 다소 어색한 용어지만, 이런 시스템이 특정 과정에 대한 더 깊은 이해로 이끌어 주는 것이 핵심임. 실제로 겪어 보면 꽤 재미있는 느낌임
    [1]: https://dl.acm.org/doi/10.1145/1143997.1144266
  • 그냥 과장된 쓰레기 기사임

• 이 기사에서 설명한 방법들은 새롭지 않음. 과학자들은 수십 년 전부터 유전 알고리즘으로 아무도 이해하지 못했지만 잘 작동하는 안테나를 설계하고 있었음

• 그렇게 마법 같은 일은 아님. 기사에서도 말하듯 RFIC 설계는 일반적인 RF 엔지니어링을 훨씬 넘어 설계자의 지식과 경험에 크게 기대는 흑마법에 가깝고, 몇십 년 전이면 슈퍼컴퓨터급이었을 모델링·설계 도구의 도움을 받음
  AI가 할 수 있는 일은 가능한 모든 결과를 너비 우선으로 탐색한 뒤 성능이 가장 좋은 것을 고르는 것임. 사람이 “이 경로가 좋아 보이니 더 파보자”라고 하는 방식과 다름

  • 흥미롭거나 유용하려면 꼭 마법 같아야 하나?