SK하이닉스

주제: IR-drop을 반영한 Voltage-Aware STA 기존 STA의 일괄 IR-drop margin 가정을 보완하기 위해 instance별 실효 전압을 cell timing에 반영하는 Voltage-Aware STA Flow를 구성했습니다. Rail analysis로 산출한 instance별 실효 전압을 전압별 cell library와 연결하고, 각 cell의 delay를 해당 전압 기준으로 보간해 STA까지 연계했습니다. 0.75V 동작 조건에서 일괄 5% margin을 적용한 STA와 비교한 결과 setup 위반 경로는 214개에서 60개로 줄었고, hold에서는 일괄 margin이 통과시킨 경로 5개가 위반으로 바뀌어 전압 분포에 따라 timing 판단이 달라질 수 있음을 확인했습니다. 하지만 저전압 구간에서는 cell delay가 비선형적으로 커져, 0.05V 간격의 library로는 보간 오차가 커졌습니다. 처음에는 전압점을 일괄로 늘리는 방식을 검토했지만 특성화 비용이 두 배 이상 늘어났습니다. 원인분석 결과, 실제 instance 전압은 전체 범위가 아니라 일부 구간에 집중돼 있었습니다. 이에 전압 분포 히스토그램을 기준으로 instance가 몰린 구간에만 전압점을 추가했습니다. 그 결과 추가 특성화 비용을 30% 수준으로 제한하면서 SPICE 대비 delay 오차를 2% 이내로 맞췄습니다. 주제 : Power EM 위반 분류 자동화 EM 분석 리포트에는 위반이 수천 건 출력되지만, 실제로 수정이 필요한 위치는 일부였습니다. 위반을 하나씩 확인하는 대신 같은 원인에서 반복되는 위반을 묶어야 한다고 판단했습니다. Python으로 위반을 metal layer, 전류 방향, 인접 via 개수 기준으로 분류하고, 각 묶음에 wire 폭 확장과 via 추가 중 적합한 조치를 제안하는 스크립트를 구현했습니다. 제안된 조치를 반영한 뒤 EM 분석을 다시 수행해 위반이 해소됐는지 자동 확인하도록 했습니다. 그 결과 하루가 걸리던 위반 분류를 1시간 이내로 줄였습니다. 두 경험을 바탕으로 PDN 분석 결과를 timing과 함께 해석하고, 이를 반복 가능한 CAD Flow와 방법론으로 구현해 설계 신뢰성과 개발 효율을 높이겠습니다.

주제 : 배치 단계 IR-drop 조기 예측 IR-drop 분석은 배선이 끝나야 가능해, 문제가 발견되면 floorplan 단계까지 되돌아가야 했습니다. 이 반복을 줄이기 위해 배치 단계의 power density map, PDN 구조, bump 위치를 입력으로 최대 IR-drop 지도를 예측했습니다. 학습 데이터 구축에 생성형 AI를 활용하되, 결과는 물리적 조건과 대조해 검증했습니다. 설계 변형 800개를 생성하고 IR-drop 결과를 추출하는 반복 스크립트는 생성형 AI로 빠르게 구현했습니다. 첫 학습 결과의 오차가 예상보다 지나치게 작아 결과를 그대로 신뢰하지 않았습니다. 입력과 정답을 설계별로 대조한 결과, AI가 만든 파싱 코드가 일부 설계에서 IR-drop 단위를 V와 mV로 섞어 읽고 있었고, bump 좌표의 y축이 뒤집혀 입력과 정답의 위치가 어긋난 설계도 있었습니다. 이에 모든 데이터에 대해 단위 범위와 bump 위치·최소 IR-drop 위치의 일치 여부를 학습 전에 자동 검사하도록 절차를 추가했습니다. 이 과정에서 생성형 AI에 작업을 맡길 때는 입력 형식과 검증 기준을 먼저 정의해야 한다는 원칙을 세웠습니다. 모델 개선에서도 AI의 제안을 그대로 따르지 않았습니다. 생성형 AI는 더 깊은 네트워크 구조를 제안했지만, 오차가 큰 위치를 분석한 결과 대부분 bump에서 먼 칩 모서리 영역이었습니다. 모델 용량보다 전류 공급 경로 정보가 부족하다고 판단해, 각 위치에서 가장 가까운 bump까지의 저항 경로를 입력 채널로 추가했습니다. 그 결과 모서리 영역의 오차가 절반으로 줄었고, 전체 예측 오차는 평균 4mV, 예측 시간은 기존 분석 40분 대비 수 초 수준이 됐습니다. 예측된 hotspot에 stripe를 미리 보강하는 스크립트와 연결해 PDN 수정 반복도 4회에서 1회로 줄였습니다. AI를 활용하면서 빠르게 결과를 만드는 것만큼, 그 결과가 물리적으로 맞는지 판단할 기준을 세우는 것이 중요하다는 것을 배웠습니다. 입사 후에는 이러한 방식으로 AI를 PDN 분석 Flow에 적용해, 설계 초기에 전원 문제를 확인할 수 있는 CAE 환경을 만드는 엔지니어가 되겠습니다.