AI는 이제 AI를 위한 칩을 설계하고 있다.

 

지금은 2028년이고, 여러분의 기술 스타트업은 업계에 혁명을 일으킬 수 있는 아이디어를 가지고 있다. 하지만 제품을 시장에 출시하려면 맞춤형으로 설계된 마이크로칩이 필요하다. 5년 전만 해도 그 칩을 설계하는 데 회사 전체의 가치보다 더 많은 비용이 들었을 것이다. 하지만 여러분의 팀은 이제 훨씬 적은 비용으로, 훨씬 짧은 시간 안에 설계할 수 있다. 이 모든 것은 AI 덕분이며, 이러한 칩에서 적절하게 실행되고 있다.

 

칩 설계의 AI

마이크로칩은 현대 기술의 기초이며, 역사적으로 마이크로칩을 설계하는 과정은 몇몇 고도로 숙련된 엔지니어에게 맡겨져 왔다.

오늘날 강력한 새로운 AI 시스템이 엔지니어가 이 프로세스를 수행하는 데 도움을 주고 있으며, 이러한 협력적 접근 방식은 미래에 훨씬 더 강력한 AI를 개발할 수 있도록 하는 열쇠가 될 수 있다.

 

우리가 있었던 곳

마이크로칩은 "집적 회로"라고도 하는데, 본질적으로 그것이 바로 반도체 재료, 보통 실리콘(따라서 "실리콘 밸리")에 통합된 전자 회로이기 때문이다. 트랜지스터와 기타 작은 구성 요소는 정보를 처리하고 저장할 수 있는 방식으로 이러한 회로를 따라 전기 신호의 흐름을 제어한다.

 

현대 컴퓨터는 엄청나게 유연하지만 모든 칩이 동일하게 만들어진 것은 아니며 모든 작업이 어떤 칩과도 동일하게 잘 작동하는 것은 아니다. 칩의 설계는 성능과 기능에 절대적으로 중요한 역할을 하며, 칩 설계자는 어떤 구성 요소를 어디에 포함해야 하는지 파악하여 칩이 가능한 한 빠르고 효율적으로 작업을 수행할 수 있도록 해야 한다.

 

이러한 엔지니어는 또한 칩이 필요 이상으로 비용이 많이 들지 않고, 너무 많은 전력을 사용하지 않으며, 작동해야 하는 환경에 견딜 수 있는지 확인해야 한다. 예를 들어 자동차의 백업 카메라에 있는 칩은 햇볕을 견딜 수 있어야 하며 영하의 온도도 견뎌야 한다.

엔비디아는 최첨단 블랙웰 칩을 설계하여 2,080억 개의 트랜지스터를 포함하도록 했다.

 

최초의 마이크로칩은 문자 그대로 손으로 설계되었지만, 1960년대에 컴퓨터 회사의 엔지니어들은 소프트웨어 프로그램을 사용하여 새로운 칩을 설계하기 시작했다.

 

수십 년 만에 이 접근 방식(EDA)은 칩을 설계할 뿐만 아니라 실제로 프로토타입을 만들기 전에 성능을 시뮬레이션하는 소프트웨어를 개발하는 회사로 구성된 전체 산업이 되었다. 이는 비용이 많이 들고 시간이 많이 걸리는 프로세스이다.

 

EDA 회사 Cadence의 전략 및 신규 사업 부문 그룹 디렉터인 롭 노스(Rob Knoth)는 "전 세계적으로 우리 모두가 사용하는 대부분의 집적 회로를 만드는 제조 시설은 몇 개뿐이므로 실제로 만드는 데 드는 비용이 엄청나다."라고 말했다.

 

그는 "반도체 산업에서 우리는 소프트웨어에서 설계의 99%를 시뮬레이션하는 것을 목표로 한다."라고 덧붙였다. "그러면 10억 달러짜리 수표를 쓸 때 칩이 6개월 후에 다시 돌아와서 처음부터 작동할 것이라는 것을 알 수 있다."

 

하지만 칩이 설계된 대로 작동하더라도 선택한 디자인이 특정 애플리케이션에 가장 적합한 옵션이라는 보장은 없다.

 

"칩을 배치할 때는 수백 개의 매개변수가 관련되고, 블록을 이동하고 평면도를 만드는 데 필요한 순열의 수는 헤아릴 수 없는 숫자로, 아마도 우주의 원자 수와 비슷할 것이다."라고 Synopsys의 생성 AI 우수 센터 저명한 건축가이자 전무 이사인 스텔리오스 디아만티디스가 말했다.

 

과거에는 엔지니어가 교육과 경험을 활용하여 한 번에 두세 가지 옵션을 생각해내 테스트할 수 있었다. 그런 다음 (희망적으로) 프로젝트를 진행하는 데 필요한 시간 내에 애플리케이션에 적합한 칩 설계에 도달했다.

 

디아만티디스는 "수학적으로나 다른 방식으로 그것이 최상의 결과라는 것을 증명할 방법이 없었다."라고 말했다. "충분히 좋은 결과였다."

EDA 프로세스 동안 칩 설계 계획이 어떤 모습일지에 대한 예이다.

 

우리가 있는 곳

오늘날 Synopsys와 Cadence와 같은 회사는 칩 설계의 새로운 시대를 선도하고 있으며, AI는 엔지니어가 이전에는 불가능했던 규모로 집적 회로를 설계하는 데 도움이 된다.

 

이 회사들이 제공하는 많은 AI 솔루션은 "강화 학습"을 통해 만들어졌는데, 이는 AI 모델이 더 나은 출력을 생성하여 반복적으로 "보상"을 받아 어떤 일을 하는 방법을 학습하여 어떤 목표에 더 가까이 다가가는 방식이다.

 

이는 Google Deepmind가 게임 플레이 AI인 AlphaZero를 만드는 데 사용한 기술과 동일하다. 그 예에서 그들은 AI에게 체스의 기본 규칙(보드의 모양, 각 말이 어떻게 움직일 수 있는지 등)을 말한 다음 수백만 번의 게임을 스스로와 하게 했다. 유리한 움직임을 할 때 받은 보상이나 강화를 통해 AI는 단 9시간 만에 게임의 달인이 되었다.

 

디아만티디스는 "기본적으로 우리는 AI에게 체스판의 말로 Synopsys 도구를 사용하여 칩 설계 게임을 하도록 가르쳤다."라고 말했다.

 

AlphaZero와 마찬가지로 칩을 설계하도록 훈련된 AI는 엔지니어보다 훨씬 빠르게 옵션을 실행할 수 있다. 그 결과 엔지니어는 이제 단순히 "충분히 좋은" 것이 아니라 훌륭한 칩을 빠르게 설계할 수 있다.

 

"AI는 이미 인간보다 설계 프로세스의 일부를 더 잘 수행하고 있다."라고 Synopsys와 Cadence가 개발한 제품을 사용하여 칩을 설계하는 Nvidia의 수석 과학자이자 수석 부사장인 빌 달리(Bill Dally)는 ACM 커뮤니케이션에 이렇게 말했다.

 

"강화 학습과 같은 도구는 인간의 설계보다 정량적으로 더 나은 회로를 설계하는 방법을 찾는다." 그는 계속해서 말했다. "때로는 인간의 사고방식과 칩 설계 방식에서 완전히 벗어나 작동하기 때문에 작동하는 기괴한 아이디어를 내놓기도 한다."

 

더 나은 칩을 더 빠르게 개발할 수 있는 이러한 능력은 더할 나위 없이 좋은 시기에 나왔다.

최근 AI 붐 덕분에 AI를 훈련하고 실행하도록 최적화된 새로운 칩에 대한 수요가 급증했다. 또한 자율 주행차를 안내하고, 휴머노이드 로봇에 전원을 공급하는 데도 필요하며, 기술 회사는 모두 경쟁사보다 먼저 칩을 필요로 한다.

 

AI 기반 도구는 이러한 칩을 더 빠르게 설계할 수 있을 뿐만 아니라 에너지 효율성을 위해 최적화할 수도 있다. AI 자체는 엄청나게 전력을 많이 소모하며, 전문가들은 이로 인해 2030년까지 데이터 센터의 에너지 소비가 160% 증가할 것으로 추정한다.

 

노스는 "데이터 센터의 전력 소비는 우리가 만드는 집적 회로의 전력 소비에 직접적으로 의존한다."라고 말했다. "AI의 지속 가능성을 극대화하는 것이 우리의 임무이며... AI 자체가 더 나은 칩을 만들고 더 나은 데이터 센터를 만드는 데 도움이 될 수 있다."

우리가 가는 곳(아마도)

강화 학습이 이 지점까지 도달했지만, 생성 AI(사용자 프롬프트에 응답하여 완전히 새로운 콘텐츠(텍스트, 이미지, 음악, 비디오 등)를 생성할 수 있는 모델)는 칩 설계를 다음 단계로 끌어올릴 수 있다.

 

가장 잘 알려진 생성 AI는 의심할 여지 없이 OpenAI의 ChatGPT이다. ChatGPT는 "대규모 언어 모델"(LLM)이라고 하는 유형이며, 인터넷 전체에 대한 학습을 ​​통해 프롬프트에 응답하여 인간과 유사한 텍스트를 생성하는 방법을 배웠다.

 

디아만티디스는 "ChatGPT가 등장했을 때 모든 고객을 포함한 모든 사람에게 새로운 가능성의 세계를 보여주었다."라고 말했다. "최적화를 위해 구축한 강화 학습 프레임워크 위에 생성 AI를 오버레이할 수 있는 기회를 보았다."

"우리가 활용할 수 있다는 것이 매우 분명했던 첫 번째 것은 생성 AI가 자연어를 이해하고 생성하는 능력이었다."라고 그는 계속했다.

 

이는 2023년 11월에 칩 설계 워크플로에 대화형 지능을 추가하는 생성형 AI 기능인 Synopsys.ai Copilot을 만드는 데 이르렀다. Synopsys는 Copilot 도구를 EDA 제품에 통합하여 이제 인간 엔지니어가 칩 설계 프로세스 중에 자연어로 질문하고 이해하기 쉬운 답변을 받을 수 있게 되었다.

 

디아만티디스는 "칩 설계 경험은 1~2년 단위가 아니라 수십 년 단위로 쌓이기 때문에 새로운 인재를 영입하고 지속적으로 선임 디자이너를 데려와 안내하지 않고도 그들이 더 효과적으로 일할 수 있도록 하는 것은 엄청난 영향을 미친다. 특히 오늘날의 인재 부족 환경에서는 더욱 그렇다."라고 말했다.

 

Cadence는 또한 칩 설계를 지원하기 위한 LLM의 잠재력을 탐구하고 있다. 2023년 9월, 엔지니어가 칩의 초기 코드를 검토하는 데 도움이 되는 ChipGPT라는 개념 증명 시스템을 공개했다.

 

Cadence의 전략 마케팅 책임자인 스티브 브라운(Steve Brown)은 블로그 게시물에 "첫 번째 초안이 만들어지면 엔지니어는 LLM 챗봇을 사용하여 설계를 조사하고, 설계와 사양을 비교하고, 문제를 탐색하고 수정하고, 분석 작업을 촉구하고, 자연어로 설명을 받을 수 있다."라고 적었다.

 

도쿄에 있는 반도체 제조업체 Renesa를 포함한 일부 Cadence 파트너는 이미 ChipGPT를 워크플로에 구현하고 있다. 이 회사의 CTO인 시니치 요시오카(Shinichi Yoshioka)는 AI가 "사양에서 최종 설계까지의 시간을 크게 단축할 수 있었다"고 말했다.

 

요시오카는 "우리는 대규모 언어 모델을 반도체 설계 프로세스의 미래를 형성할 퍼즐의 중요한 조각으로 본다."라고 말했다.

그 미래에는 오늘날 칩을 설계할 수 없는 사람들이 포함될 수 있다.

 

"나는 우리가 민주화 과정을 보게 될 것이라고 생각한다." 디아만티디스가 말했다. "반도체 산업은 일반적으로 매우 세부적인 노하우와 매우 높은 투자와 연관되어 왔다."

"나는 AI를 통해 대기업이 아닐 수도 있는 혁신가를 볼 수 있을 것이라고 생각한다." 그는 계속해서 말했다. "그들은 훌륭한 아이디어를 가지고 모인 다섯 사람일 수 있고, 그들은 그것을 위한 칩이 필요하며, 칩을 설계할 수 있을 것이다."

 

Google DeepMind는 또한 칩 설계를 더욱 민주화하기 위해 노력하고 있다.

2020년에 AI 연구실은 칩 배치를 위한 강화 학습 기반 방법을 공개했다. 이 설계 프로세스의 일부는 칩의 평면도를 만드는 데 중점을 두었다. 2021년에 DeepMind는 코드를 오픈 소스로 공개하여 누구나 무료로 액세스할 수 있게 했고, 2024년에 이 AI에 AlphaChip이라는 이름을 붙였다.

 

AlphaChip은 NYU, 대만 반도체 개발업체 MediaTek, Google 자체의 연구원들이 사용했으며, Google은 이 AI를 데이터 센터용 CPU와 주력 AI 칩인 텐서 프로세싱 유닛(TPU)의 3세대 개발에 사용했다.

 

Google DeepMind의 선임 연구 과학자이자 AlphaChip 논문의 주요 저자인 아잘리아 미르호세이니(Azalia Mirhoseini)와 안나 골디(Anna Goldie)는 "AlphaChip은 긴 전통적인 설계 최적화 프로세스를 완료한 후 최상의 상용 도구를 사용하여 TPU 물리적 설계 팀의 인간 전문가의 제품보다 성능이 우수했다."라고 말했다.

 

칩 배치는 설계 프로세스의 일부에 불과하지만, 연구원들은 "칩 설계의 다른 단계를 위한 AI 방법을 개발하게 되어 기쁘다"고 말했다. 그들이 이러한 방법도 오픈 소스로 공개한다면 오늘날의 EDA 제품을 살 돈이 있는 사람들뿐만 아니라 모든 사람이 칩을 설계하는 것이 더 쉬워질 수 있다.

 

미르호세이니와 골디는 "AI가 여러 종류의 칩에 대한 전체 칩 설계 프로세스를 자동화하고 최적화하는 데 도움이 되는 미래를 보고 싶다."라고 말했다. "누군가가 새로운 칩을 설계하고 싶을 때마다 AlphaChip의 미래 버전에 대한 응용 프로그램을 설명하면 제조할 준비가 된 완전히 지정된 칩 설계가 출력된다고 상상해보라."