본 논문은 머신러닝 기반의 랜덤 워크(random walk) 솔버인 DeepRWCap을 제시합니다. DeepRWCap은 다중 유전체 구조를 가진 현대 반도체 기술에서 발생하는 문제점을 해결하기 위해 각 워크 단계에서 필요한 전이량을 예측합니다. 이를 위해 3D 컨볼루션 네트워크와 2D depthwise separable 컨볼루션을 활용하는 2단계 신경망 구조를 사용합니다. 100,000개의 유전체 구성을 학습한 결과, DeepRWCap은 12~55nm 노드에 걸친 10개의 산업 디자인에 대한 자체 커패시턴스 추정에서 Raphael 솔버 대비 평균 상대 오차 1.24%를 달성했습니다. Microwalk 대비 평균 23%의 속도 향상을 보였으며, 10초 이상 소요되는 복잡한 디자인에서는 평균 49%의 가속을 달성했습니다.
