본 논문은 머신 러닝을 활용하여 복잡한 다중 유전체 구조에서의 정전용량 추출을 위한 몬테카를로 랜덤 워크 (Monte Carlo random walk) 방식을 개선한 DeepRWCap을 제시한다. DeepRWCap은 각 워크 단계에서 필요한 전이량(transition quantities)을 예측하기 위해 2단계 신경망 구조를 사용하며, 3D 합성곱 네트워크를 통해 부피 내 유전체 상호 작용을, 2D 깊이별 분리 가능 합성곱을 통해 국소 커널 동작을 모델링한다. 100,000개의 임의 생성된 유전체 구성에 대해 훈련된 DeepRWCap은 12~55 nm 노드의 10개 산업 디자인의 자기 정전용량 추정에서 상용 Raphael 솔버 대비 평균 상대 오차 1.24%를 달성했다. 또한, 최첨단 방식인 Microwalk 대비 평균 23%의 속도 향상을 보였으며, 10초 이상 소요되는 복잡한 디자인에서는 평균 49%의 가속을 달성했다.
