Hierarchical Decoupling Capacitor Optimization for Power Distribution Network of 2.5D ICs with Co-Analysis of Frequency and Time Domains Based on Deep Reinforcement Learning
본 논문은 증가하는 메모리 대역폭 및 연산 밀도 요구에 따라 주목받고 있는 2.5D 설계에서의 전력 분배 네트워크(PDN) 최적화 문제를 다룬다. 2.5D 시스템의 통합은 높은 데이터 전송률과 많은 I/O로 인해 전력 분배 네트워크(PDN)의 최적화가 중요한 과제로 떠오른다. 기존의 주파수 영역 분석 기반 최적화는 결합된 동시 스위칭 노이즈(SSN) 해결에 부적합하다는 것을 실험 결과를 통해 보여준다. 따라서 본 논문에서는 심층 강화 학습 기반의 2단계 최적화 방식을 제시한다. 첫 번째 단계는 주파수 영역에서 임피던스를 최적화하여 소신호 노이즈를 허용 가능한 범위 내로 유지하고 과도한 설계를 방지한다. 두 번째 단계는 시간 영역에서 전압 위반 적분(VVI)을 최소화하여 SSN을 개선한다. 이는 칩 상과 인터포저 상의 PDN에서 전략적인 디커플링 커패시터(decap) 배치를 통해 소신호 노이즈와 SSN을 동시에 해결하는 최초의 이중 영역 최적화 전략이다.
시사점, 한계점
•
시사점:
◦
2.5D 시스템의 PDN 설계에서 소신호 노이즈와 SSN을 동시에 효과적으로 해결하는 새로운 이중 영역 최적화 방식을 제시.
◦
심층 강화 학습을 활용하여 기존 주파수 영역 분석의 한계를 극복하고 SSN 문제를 더욱 정확하게 해결.
◦
칩 상과 인터포저 상의 PDN 최적화를 통합적으로 수행하여 2.5D 시스템의 전력 무결성 향상에 기여.
•
한계점:
◦
제안된 방법의 실제 칩 구현 및 검증 결과가 제시되지 않음.
◦
심층 강화 학습 기반 최적화 과정의 계산 비용 및 수렴 속도에 대한 분석 부족.
◦
다양한 2.5D 시스템 아키텍처 및 공정 기술에 대한 일반화 가능성에 대한 추가 연구 필요.
