본 논문은 대규모 언어 모델(LLM)을 활용한 하드웨어 설계 생성 분야에서 데이터 부족, 데이터 품질 저하, 추론 속도 저하라는 세 가지 주요 과제를 다룹니다. 이를 해결하기 위해 분산 학습과 개인화된 추론을 활용하는 2단계 프레임워크를 제안합니다. 1단계에서는 계층적 분산 학습 메커니즘을 통해 개인 소유의 설계 데이터를 활용하고, 사용자 정의 지표를 이용하여 모델 집계 과정을 최적화하여 저품질 데이터의 영향을 완화합니다. 2단계에서는 추론 속도와 정확도를 향상시키기 위해 개인화된 추론 가속 및 맞춤형 샘플링 전략을 도입합니다. 새로운 지표인 Trueput을 사용하여 LLM 기반 하드웨어 생성 효율성을 분석하고, 실험 결과 고전 및 양자 벤치마크에서 제안된 프레임워크가 모델 성능을 크게 향상시키는 것을 보여줍니다. 이는 기존 방법에 대한 수직적 개선으로, 작업 난이도에 따라 33%~50%의 의미론적 정확도 향상과 2.3배의 속도 향상을 달성합니다.
