능동 학습과 데이터 증강을 활용한 딥 앙상블 기반 효율적인 하이 시그마 수율 검증
Efficient High-Sigma Yield Verification Based on Deep Ensemble with Active Learning and Data Augmentation
- 발행기관 서강대학교 일반대학원
- 지도교수 김주호
- 발행년도 2026
- 학위수여년월 2026. 2
- 학위명 석사
- 학과 및 전공 일반대학원 컴퓨터공학과
- 실제URI http://www.dcollection.net/handler/sogang/000000082488
- UCI I804:11029-000000082488
- 본문언어 한국어
- 저작권 논문은 저작권에 의해 보호받습니다.
초록(요약문)
Increasing process variations due to semiconductor scaling have heightened the importance of circuit reliability analysis. For circuits with repetitive structures such as memories and standard cells, high-sigma(4-6σ) analysis is essential as rare individual cell failures critically impact overall chip yield. However, conventional Monte Carlo simulation requires millions of runs for high-sigma verification, making it impractical, while Gaussian Process-based surrogate models face limitations in high-dimensional circuit analysis due to computational complexity. This thesis proposes an efficient high-sigma Monte Carlo simulation framework based on deep ensembles. By approximating Bayesian inference through deep ensembles, we construct a scalable model for high-dimensional circuits. Two key techniques enhance learning efficiency: feature sensitivity based data augmentation addresses data scarcity in the high-sigma region during initial training, and dual sampling combining Bayesian Optimization with active learning effectively explores both extreme value and high-uncertainty boundary regions. In experiments on three benchmark circuits, the proposed method achieved 2.6–4.6× speedup over existing methods while maintaining comparable accuracy (error within 1%). Process sensitivity-based data augmentation provided up to 10% additional speedup, and adaptive sampling combining BO with Batch BALD showed up to 26% efficiency improvement in circuits with non-Gaussian distributions. This research is applicable to various sigma ranges and analysis requirements, and is expected to contribute to reliability verification in semiconductor design.
more초록(요약문)
반도체 공정 미세화에 따른 공정 변이 증가로 회로 신뢰성 분석의 중요성이 커지고 있다. 특히 메모리나 Standard cell과 같이 반복 구조를 가진 회로에서는 개별 셀의 희귀 실패가 전체 칩 수율에 치명적 영향을 미치므로 하이 시그마(4~6σ) 분석이 필수적이다. 그러나 기존 몬테카를로 시뮬레이션은 하이 시그마 검증에 수백만 회이상의 시뮬레이션이 필요하여 비현실적이며, 대리 모델(Surrogate model) 기반 Gaussian Process는 높은 계산 복잡도로 고차원 회로 분석에 한계가 있다. 본 논문에서는 딥 앙상블 기반 효율적인 하이 시그마 몬테카를로 시뮬레이션 프레임워크를 제안한다. 딥 앙상블을 통한 베이지안 추론 근사로 고차원 회로로 확장 가능한 모델을 구축하였으며, 학습 효율 향상을 위해 두 가지 핵심 기법을 도입하였다. 첫째, 공정 변이 민감도 기반 데이터 증강으로 초기 학습 시 하이 시그마 영역의 데이터 부족을 해결하였다. 둘째, 베이지안 최적화와 능동 학습을 결합한 이중 샘플링으로 극단값 영역과 하이 시그마 경계 부근의 고불확실성 영역을 효과적으로 탐색하였다. 세 가지 벤치마크 회로를 대상으로 실험한 결과, 제안 방법은 기존 방식 대비 유사한 정확도(오차 1% 이내)를 유지하면서 2.6~4.6배의 속도 향상을 달성하였다. 공정 변이 민감도 기반 데이터 증강은 최대 10%의 추가 속도 향상을 보였으며, BO와 Batch BALD를 결합한 적응적 샘플링은 비가우시안 분포 회로에서 최대 26%의 효율 개선을 나타냈다. 본 연구는 다양한 시그마 범위와 분석 요구사항에 적용 가능하며, 반도체 설계 신뢰성 검증에 기여할 것으로 기대된다.
more목차
제 1 장 서론 1
제 2 장 연구 배경 및 관련 연구 5
2.1 공정 변이 (process variation)) 5
2.2 몬테카를로 시뮬레이션 7
2.3 딥 앙상블을 통한 베이지안 추론 근사 8
2.4 회귀 문제에서의 데이터 증강기법 10
2.5 하이 시그마 몬테카를로 분석 관련 연구 11
제 3 장 딥 앙상블 기반 하이 시그마 수율 검증 15
3.1 전체 시뮬레이션 개요 15
3.2 공정 변이 민감도 기반 데이터 증강 18
3.3 모델 학습 효율 향상을 위한 베이지안 기반 샘플링 20
제 4 장 실험 결과 및 분석 26
4.1 실험 설정 26
4.2 실험 결과 29
제 5 장 결론 36
참고문헌 38
