은발의 전문가 시대

필자가 연구하는 분야 중에서 반도체나 컴퓨터에서 발생하는 디지털 전자파의 발생과 간섭을 줄이는 연구하는 분야가 있다. 이 전공 분야를 전문용어로 EMC(Electromagnetic Compatibility) 또는 전자파 적합성이라고 한다.

김정호 카이스트 교수

특히 빅데이터와 인공지능에 쓰이는 반도체에서는 대용량의 데이터를 짧은 시간에 처리하기 때문에 이러한 전자파 발생과 간섭 문제가 더욱 심각하게 되어, 설계상 중요한 관건이 되고 있다. 더 나아가 데이터 센터, 자율주행자동차 설계에도 꼭 필요한 핵심 기술이다.

그러나 전세계 4차 산업혁명 핵심 기업인 반도체, 자율주행자동차, 컴퓨터, 스마트폰 업체에서는 이러한 EMC 분야 전문가를 구하기가 매우 어렵다.

EMC 전문가가 되기 위해서는 먼저 각 해당 산업 분야의 설계 전문성이 있어야 하고 거기에 더해서 EMC 지식과 경험을 갖춘 실력을 함께 갖추어야 한다.

특히 이 EMC 분야에 전문 인력이 적은 이유는 전자파 이론의 학술적 기초에 더해서 현장 경험이 필요하다. 실제 제품 설계에 적용해야 하고, 컴퓨터 시뮬레이션과 측정 경험을 쌓아야 한다. 그러니 진정한 전문가가 되려면 거의 30 년 이상이 족히 걸린다.

이 EMC 분야의 전문가들는 미국, 일본, 유럽에서 보면 대부분 국방, 항공, 또는 우주 관련 산업에서 일하고 있다. 이러한 분야에서는 외국인이 시민권 없이는 프로젝트에 참여하거나 취업하기 어렵다. 그래서 미국의 관련학회에 가면 동양인이 많지 않다. 그래서 젊은 우수 인력이 배출되기 더욱 어렵다. 그 결과 이 분야의 전문가들은 대부분 60대 70대 ‘은발의 노 신사’ 전문가 들이다. 이러한 현상은 반도체 설계 분야도 마찬가지이다.

'IEEE EMC Chicago Chapter 2018 행사' 참석자들 가운데 은발의 EMC 전문가들과 그 가족들이 보인다. [출처=IEEE]

인공지능이 반도체 설계 가능해

반도체 설계 절차에는 전체 구조(Architecture) 설계, 논리 설계, 회로 설계, 배치 설계(Floor Planning), 그리고 도면 설계(Layout) 등의 과정을 거친다. 이 설계 결과에 따라 반도체의 계산 속도, 전력 소모, 면적, 가격 등이 정해진다. 그런데 요즈음 이러한 반도체 설계 과정에서 컴퓨터 CAD(Computer Aided Design) 소프트웨어의 도움을 많이 받는다. 전기적, 기계적 모델을 이용해서 컴퓨터 시뮬레이션을 하고 그 성능을 제작 이전에 검증해 볼 수 있다. 이처럼 컴퓨터 시뮬레이션으로 목표 성능이 달성된 다음 여러 가지 목표 조건을 동시 혹은 최소 비용으로 구현하는 최적화 설계 과정을 거치게 된다. 그 결과 개발 인력, 비용, 그리고 시간을 줄인다.

이러한 반도체 최적 설계에서도 ‘컴퓨터’가 일정 부분 ‘전문가’를 대신에 준다. 그런데 지금의 CAD 설계와 최적화는 일정 부분 한계를 가지고 있다. 컴퓨터 성능 한계 때문이기도 하고, 설계와 최적화 알고리즘의 한계 때문이기도 하다. 그래서 전문가의 실력과 경험이 CAD 기능과 결합하여 최선의 설계하고 있다. 지금의 반도체 프로세서, 메모리, 센서도 이러한 설계 과정을 거친다. 그런데 이 설계에서의 ‘전문가’ 역할을 ‘인공지능’이 대신하는 시대가 조금씩 다가 오고 있다.

인공지능 알고리즘 중에 ‘강화학습(Reinforcement Learning)’ 알고리즘이 있다. 알파고 바둑 게임에도 적용되었다. 인공지능(Agent)이 어떤 결정을 내리고 행동(Action)을 하면서, 상대와의 반응을 보고 기록(State)하면서 동시에 스스로 학습해 간다. 수많은 시행과 상대방 반응 과정을 반복하면서 학습해 간다. 목표 지표(Reward)가 바둑 알파고에서는 승률이 되고, 인공지능 반도체 설계에서는 목표 성능이 된다. 최적 승률이 되는 바둑을 두듯이 최적 성능을 갖는 조건을 학습해 간다. 알파고에서는 기보(Supervised Learning)를 이용하거나 알파고 끼기 자율학습(Unsupervised Learning)을 한다.

다르게 말하면 알파고에서 사용되었던 인공지능 알고리즘을 그대로 반도체 최적 성능 설계에 적용될 수 있다. 그러면 반도체 설계 프로그램인 에이전트(Agent) 실력이 ‘이세돌 급'이 되는 것이다. 그러면 인공지능이 세계 최고 수준의 반도체 설계 전문가가 된다.

알파고에서는 기존의 기보를 사용하면서 배우거나 알파고 끼리의 바둑으로 자체 기보를 만들어 스스로 학습하기도 한다. 반도체 설계 인공지능에서는 컴퓨터 CAD 시뮬레이션이 학습(Learning) 기회를 제공해 준다. 알파고에서는 승률이 보상(Reward)이 되고, 반도체 설계에서는 성능 만족 정도가 보상(Reward)이 된다.

이처럼 강화학습 반도체 설계 인공지능에서는 컴퓨터 시뮬레이션을 이용해서 학습한다. 강화학습 설계 사례가 증가하면서 학습용 데이터가 증가해서 전문가 실력이 급상승한다. 인공지능 전문가 인간을 대신하기 때문에 학습속도가 훨씬 빠르다. 그리고 인공지능의 기억이나 능력이 지워지거나 ‘은발'이 되어도 100년이 되어도 떨어지지 않는다.

딥러닝 강화학습인 Deep Q Learning 알고리즘을 이용한 반도체 설계 과정. [출처=KAIST]

딥러닝 강화학습인 Deep Q Learning 알고리즘을 이용해서 최적화 설계한 반도체 설계 결과. [출처=KAIST]

인공지능 전문가의 세상

이러한 인공지능 설계는 더 나아가 테스트의 설계, 테스트와 생산 공정상의 데이터 분석에도 사용될 전망이다. 특히 반도체 생선 공정의 수율 분석에 인공지능이 사용될 수 있다. 공정 데이터를 분석해서 인공지능에 의한 최적 공정을 찾아 낸다면, 반도체 기업의 생산성과 수율, 순이익 그리고 경쟁력도 인공지능에 달려 있을 것으로 전망한다. 이처럼 4차 산업혁명에 필요한 반도체 설계, 테스트, 생산관리 등 전 분야에서 인공지능이 전문가를 대체하는 시대가 다가 오고 있다.

필자 연구실에서도 일부 반도체 설계에 Deep Q 러닝이라고 불리는 강화학습 방법을 이용해 기초적인 설계 최적화를 시도해 보고 있다. 가능성이 이미 충분히 보인다. 추후 컴퓨터 성능만 지원된다면 훨씬 복잡한 설계도 가능한 것을 확인했다.

그래서 인공지능의 색깔은 ‘은빛 색깔'이다. 인간이 60세 이상 몰입해야 도달할 수 있는 전문가 수준을 인공지능은 금방 구현할 수 있다. 이렇게 되면 ADA(ALL DESIGN by AI) 세상이 올 수 있다. 인공지능이 반도체를 설계하고, 그 AI 반도체가 인공지능 계산을 한다. 인간이 파고들 틈이 없다. 그럼 인공지능이 국가간, 사회 내에서 정보, 자원, 자본, 시장 분만 아니라 고급 인력과 기술의 독점 현상을 가속화 할 수 있다.

인공지능 알고리즘을 이용해서 반도체 설계를 자동화한 ADA(All Design by AI) 개념. [출처: KAIST]

joungho@kaist.ac.kr

[김정호 카이스트 전기 및 전자공학과 교수]