송현오 교수 연구진, 반도체 설계검증을 위한 AI 에이전트 및 복잡한 환경 예측을 위한 월드 모델 기술 개발
- ICML 2026 논문 2편 게재 - 반도체 설계검증 자동화를 위한 대규모 LLM 에이전트 벤치마크 Rule2DRC 개발 - 복잡한 시각 환경 예측을 위한 Transformer 기반 월드 모델 기술 개발 - 실행 피드백 기반 테스트 생성과 시공간 토큰 대응 모델링을 통해 반도체 설계검증 및 모델 기반 강화학습 분야의 핵심 문제 해결 송현오 교수 연구진이 반도체 설계검증 자동화와 복잡한 환경 예측을 위한 새로운 인공지능 기술을 개발하였다. 1. 반도체 설계검증을 위한 AI 에이전트 벤치마크 Rule2DRC [1]: 본 논문은 반도체 칩 제조 과정에서 필수적인 설계 규칙 검사, 즉 Design Rule Checking, DRC 스크립트 생성을 자동화하기 위한 대규모 벤치마크 Rule2DRC를 제안한다. 반도체 칩이 실제 제조되기 전에는 수천 개의 기하학적 설계 규칙을 만족하는지 검사해야 하며, 이를 위해 자연어로 작성된 설계 규칙을 실행 가능한 DRC 스크립트로 변환해야 한다. 그러나 이 과정은 전문 지식이 필요하고, 새로운 공정 노드마다 반복되어야 하는 노동집약적인 작업이다. 기존 연구들은 평가 규모가 작거나, 생성된 스크립트를 실제로 실행하지 않고 코드 유사도로만 평가하거나, 모델 입력으로 정답 라벨이 있는 테스트 레이아웃을 요구하는 한계가 있었다. Rule2DRC는 이러한 한계를 해결하기 위해 1,000개의 자연어 규칙-DRC 스크립트 태스크와 13,921개의 평가용 칩 레이아웃으로 구성된 대규모 벤치마크를 구축하였다. 또한 생성된 스크립트를 실제 DRC 엔진에서 실행하여 기능적 정확도를 평가하며, 실행 결과를 바탕으로 후보 스크립트들을 구분하는 SplitTester를 제안하여 Best-of-N 설정에서 더 정확한 스크립트를 선택할 수 있도록 하였다. 본 기술은 반도체 설계검증 과정에서 반복적으로 필요한 DRC 스크립트 작성 및 검증 비용을 줄이고, EDA 분야의 AI 자동화 시스템 개발에 유용하게 활용될 수 있다. 2. 복잡한 환경 예측을 위한 월드 모델 기술 Identifiable Token Correspondence [2] 본 논문은 시각 환경에서 에이전트의 학습 효율을 높이기 위한 Transformer 기반 월드 모델 Identifiable Token Correspondence를 제안한다. 월드 모델은 실제 환경을 시뮬레이션하여, 모델 기반 강화학습에서 에이전트의 상호작용 비용을 절감시키는 모델이다. 최근 Transformer 기반 월드 모델은 높은 품질의 시뮬레이션을 제공하며 강화학습 성능을 향상시키고 있지만, 시각 환경에서 중요한 공간적 관계와 연속 프레임 사이의 시각적 유사성을 충분히 활용하지 못하는 한계가 있었다. 이를 해결하기 위해 본 연구는 선택적으로 이전 토큰들을 재사용하는 최적 디코딩 전략을 개발하여 기존 Transformer 월드 모델을 개선하였다. 제안 방법은 시각적으로 인접한 토큰들 사이의 공간적 관계와 시간에 따른 토큰 대응 관계를 더 효과적으로 반영하여, 에이전트가 장기적인 객체 기억과 상호작용이 필요한 환경에서 더 정확한 미래 상태를 예측할 수 있도록 한다. 실험 결과, 장기적 객체 기억과 상호작용이 중요한 Crafter, Atari 100k 등의 벤치마크에서 최고 성능을 달성하였다. 해당 연구들은 머신러닝 최우수 학회인 ICML 2026에서 발표될 예정이다. [1] “Rule2DRC: Benchmarking LLM Agents for DRC Script Synthesis with Execution-Guided Test Generation”, Jinuk Kim, Junsoo Byun, Donghwi Hwang, Seong-Jin Park, Hyun Oh Song, ICML 2026 [2] “Identifiable Token Correspondence for World Models”, Youngin Kim*, Ray Sun*, Inho Kim, Bumsoo Park, Hyun Oh Song, ICML 2026...
