WACA-UNet: 이종 채널 환경에서 정적 IR-Drop 예측을 위한 약점 인지 채널 어텐션 모델
WACA-UNet: Weakness-Aware Channel Attention Model for Static IR-Drop Prediction in Heterogeneous Channel Environments
- 발행기관 서강대학교 일반대학원
- 지도교수 박운상
- 발행년도 2026
- 학위수여년월 2026. 2
- 학위명 석사
- 학과 및 전공 일반대학원 인공지능학과협동과정
- 실제URI http://www.dcollection.net/handler/sogang/000000082379
- UCI I804:11029-000000082379
- 본문언어 한국어
- 저작권 논문은 저작권에 의해 보호받습니다.
초록(요약문)
Accurate spatial prediction of power-integrity issues such as IR-drop is critical for reliable VLSI design, yet simulation-based solvers are slow to scale. We frame static IR-drop estimation as pixel-wise regression over heterogeneous multi-channel physical maps. In existing CNN surrogates, dense feature maps (e.g., hypothetical IR-drop or distance maps) often dominate channel attention, suppressing sparse but physically critical cues such as wire and via resistance, which harms hotspot detection. We propose Weakness-Aware Channel Attention (WACA), a recursive two-stage gating that reuses the weights of standard channel- attention modules (e.g., SE, CBAM) to adaptively enhance weak yet informative channels, without adding learnable parameters. We integrate WACA into a ConvNeXtV2-based Attention U-Net (WACA-UNet), which yields more balanced representations and stronger localization robustness. On the ICCAD-2023 benchmark, WACA-UNet achieves MAE 0.0524 and F1 0.778, improving over the contest winner by 61.1% and 71.0%, respectively. These results highlight channel-wise heterogeneity as a useful inductive bias for learning-based physical layout analysis and suggest a plug-and-play path to robust IR-drop prediction.
more초록(요약문)
IR-drop과 같은 전력 무결성 문제의 정확한 공간적 예측은 신뢰할 수 있는 VLSI 설계에 매우 중요하지만, 시뮬레이션 기반 솔버는 확장성이 느리다는 문제가 있다. 본 연구에서는 정적 IR-drop 추정을 이질적인 다중 채널 물리 맵에 대한 픽셀 단위 회귀 문제로 다룬다. 기존 CNN 기반 모델에서는 밀집 특징 맵(예: 가상 IR-drop 또는 거리 맵)이 채널 어텐션을 지배하는 경향이 있어, 와이어 및 비아 저항과 같이 희소하지만 물리적으로 중요한 단서들을 억제함으로써 핫스팟 탐지 성능을 저하시킨다. 본 논문에서는 약점 인식 채널 어텐션(Weakness-Aware Channel Attention, WACA)을 제안한다. 이는 표준 채널 어텐션 모듈(예: SE, CBAM)의 가중치를 재사용하는 순환적 2단계 게이팅 기법으로, 학습 가능한 파라미터를 추가하지 않고도 약하지만 유익한 채널을 동적으로 강화한다. 본 연구에서는 WACA를 ConvNeXtV2 기반 Attention U-Net에 통합하여 WACA-UNet을 구성하였으며, 이는 보다 균형 잡힌 표현과 강력한 지역화 강건성을 제공한다. ICCAD-2023 벤치마크에서 WACA-UNet은 MAE 0.0524, F1 0.778을 달성하여 대회 우승자 대비 각각 61.1% 및 71.0% 개선된 성능을 보였다. 이러한 결과는 채널별 이질성이 학습 기반 물리적 레이아웃 분석에 유용한 귀납적 편향임을 강조하며, 강건한 IR-drop 예측을 위한 plug-and-play 방식의 경로를 제시한다.
more목차
제 1 장 서론 1
1.1 연구 배경 1
1.2 논문의 구성 5
제 2 장 관련 연구 6
2.1 특징 기반 학습 및 CNN 기반 공간 예측 6
2.2 어텐션 및 그래프/멀티모달 모델 8
2.3 채널 Attention 메커니즘 8
2.4 최신 아키텍처와 하이브리드 입력 구성 11
2.5 채널 이질성 13
제 3 장 제안 방법 15
3.1 WACA-UNet 전체 구조 15
3.2 Weakness-Aware Channel Attention (WACA) 17
3.2.1 첫 번째 단계: 지배적인 채널 식별 19
3.2.2 두 번째 단계: 약한 채널 향상 19
3.2.3 어텐션 가중치 융합 21
3.3 동작 원리 21
3.4 WAA 모듈로의 통합 25
제 4 장 실험 및 결과 26
4.1 실험 방법 26
4.1.1 데이터셋 26
4.1.2 입력 데이터 및 전처리 28
4.1.3 훈련 설정 29
4.1.4 평가 지표 31
4.2 실험 결과 32
제 5 장 분석 37
5.1 Ablation Studies 37
5.2 채널 수준 기여도 분석 42
제 6 장 결론 및 향후 연구 47
제 7 장 참고 문헌 49
