As discussed in the previous column, it is not easy for AI to fully replace semiconductor design.
However, the story changes if we shift our approach.
First, let’s summarize the key challenges of applying AI:
1. Concurrency
2. Context Management
3. Multidimensional Data Structure
4. Lack of Training Data
5. 0% Error Rate
Among these, the issue that is difficult to resolve at the individual enterprise level is 4. Lack of Training Data.
This is because semiconductor design data mostly exists internally and is rarely disclosed externally.
However, the remaining challenges can be addressed by restructuring the design approach:
1. Concurrency → Manage State Machines internally, configuring them so that only modules are visible externally
2. Context Management → Manage only the relationships between modules, rather than the entire Verilog
3. Multidimensional Data Structure → Organize modules handled by AI in a state where integrity is verified
5. 0% Error Rate → Structure the module so that no errors occur in any combination at the module level
Ultimately, the key is to redefine the problem in a form that AI can handle.
I believe that doing so makes the partial adoption of AI possible.
Of course, applying such a system is difficult for functional IPs, such as NPUs or CPUs, where large-scale functions must be updated every time.
However, it may be applicable to structures like system design, where the basic structure is fixed but the combinations change constantly.
Infrastructure around the world differs only in form, but its basic components are nearly identical.
They share the same structure, featuring roads, flowing electricity, and connected water and sewage systems.
Since semiconductor system design is similar to this infrastructure design, I believe it is feasible to pre-design components with verified integrity and have intelligent AI combine them.
Ultimately, the role of AI in semiconductor design is not to generate designs directly,
but to assemble systems based on verified structures.
SOC Canvas is an interface that enables this structural approach.
By handling semiconductor designs on a no-code basis and defining design elements like APIs, it provides an environment where AI can understand and combine structures.
This will semiconductor engineers to break free from repetitive and low-productivity tasks,
enabling them to focus on more fundamental and meaningful problems.
이전 컬럼에서 이야기했듯이 AI가 반도체 설계를 전면적으로 대체하는 것은 쉽지 않습니다.
하지만, 접근 방식을 바꾸면 이야기가 달라집니다.
먼저 AI적용의 어려움을 단어로 다시 정리해보면 다음과 같습니다.
1. 동시성
2. Context 관리
3. 다차원 데이터 구조
4. 학습 데이터 부족
5. 오류율 0%
여기서 개별 기업레벨에서 해결하기 어려운 것은 4. 학습 데이터 부족입니다.
반도체 설계 데이터는 대부분 기업 내부에 존재하며 외부에 공개되는 경우가 거의 없기 때문입니다.
하지만 이를 제외한 나머지 문제들은 설계 구조를 바꾸는 방식으로 접근할 수 있습니다.
1. 동시성 → State Machine은 내부에서 관리하고, 외부에서는 모듈만 보이도록 구성
2. Context 관리 → 전체 Verilog가 아니라, 모듈 간 관계만 관리
3. 다차원 데이터 구조 → AI가 다루는 모듈을 무결성이 검증된 상태로 정리
5. 오류율 0% → 모듈 레벨에서 어떤 조합에서도 오류가 발생하지 않도록 구조화
결국 핵심은 문제를 AI가 다룰 수 있는 형태로 다시 정의하는 것입니다.
이렇게 할 경우, AI의 부분적 도입이 가능하다고 생각합니다.
물론 NPU나 CPU등의 대규모 기능이 매번 업데이트 되어야하는 기능적 IP에서 이러한 시스템 적용은 어렵습니다.
하지만 시스템 설계처럼, 기본 구조는 고정되어 있는데, 조합이 매번 바뀌는 구조에서는 적용이 가능 할 수도 있습니다.
전 세계의 인프라는 형태만 다를 뿐 기본적인 구성 요소는 거의 비슷합니다. 도로가 있고, 전기가 흐르고, 상하수도가 연결되는 동일한 구조를 가지고 있습니다.
반도체의 시스템 설계도 이러한 인프라 설계와 유사하기 때문에, 무결성이 검증된 컴포넌트를 미리 설계해두고, 이것을 지능을 가진 AI가 조합하는 방식이라면 가능할 것으로 생각합니다.
결국, 반도체 설계에서 AI의 역할은
설계를 직접 생성하는 것이 아니라, 검증된 구조를 기반으로 시스템을 조합하는 것입니다.
SOC Canvas는 이러한 구조적 접근을 가능하게 하는 인터페이스입니다.
반도체 설계를 No-code 기반으로 다루고, 설계 요소들을 API처럼 정의함으로써 AI가 구조를 이해하고 조합할 수 있는 환경을 제공합니다.
이렇게 되면,
반도체 엔지니어들은 반복적이고 생산성이 낮은 작업에서 벗어나
조금 더 본질적이고 중요한 문제에 집중할 수 있게 될 것입니다.