KAIST, "반도체 PDN 데이터 695분의 1로 압축…저장용량 해결"
최근 주목받는 첨단 반도체 패키지의 다중 포트 전원 공급망(PDN) 데이터를 695분의 1까지 압축할 수 있는 기술이 개발됐다. 데이터 저장 용량 비대화 문제가 해결될 전망이다. KAIST는 김정호 전기및전자공학부 교수 연구팀은 이 같은 압축 기술과 함께 데이터에 포함된 전자기적 의미까지 해석할 수 있는 새로운 텐서 기반 표현 학습 방법을 제안했다. 연구결과는 논문 제1저자인 이정현 테라랩 박사과정 연구생이 지난 3일부터 7일까지 미국 텍사스주 댈러스 힐튼 아나톨에서 열린 전자파·신호·전원 무결성 분야 국제학회 'EMC+SIPI 2026 국제학회'에서 발표, 최우수 학생 논문상을 수상했다. 이정현 박사과정 연구생은 전화통화에서 "반도체 분야 세계적인 석학 중 한 명인 에릭 보가튼 교수(미국 콜로라도 대학 볼더캠퍼스)도 연구결과에 관심을 나타내며, 질문 을 이어가는 등 관심을 끈 건 사실"이라며 "최우수 논문상 후보들을 모아 따로 연구성과를 발표하는 자리를 가졌다"고 말했다. 이 연구생은 "반도체 PDN 데이터 1차원 원본을 3차원 텐서로 구성한뒤 곱으로 압축하는데 성공한 것"이라며 "단순하게 보면 PDN 용량 비대화 문제를 해결한 것이다. 다른 측면으로는 PDN 데이터 분석에 소모되는 연산자원을 물리정보를 포함하는 저차원 데이터로 압축했다는 의미가 있다"고 부연 설명했다. 이 연구생은 또 "평소 인공지능과 슈퍼컴퓨터가 고차원 데이터를 표현하고 처리하는 원리와 구조를 이해하는 과정에서 텐서와 관련된 내용에 관심이 많았다"고 덧붙였다. 'EMC+SIPI'은 전자파 적합성(EMC), 신호 무결성(SI), 전원 무결성(PI)을 다루는 IEEE(미 전기전자공학자협회) EMC 분야 대표적인 국제학회다. 세계 각국 엔지니어 및 연구자 1,500~2,000명이 참가한다. 올해는 칩 수준 EMC, 데이터센터와 초고속 디지털 시스템의 EMC·SIPI, EMC·SIPI 해석 및 측정을 위한 AI·머신러닝 기술 등이 주요 주제로 다뤄졌다. 최근 첨단 반도체 패키지와 HBM(고대역폭 메모리) 시스템에서는 전력 밀도와 입출력 밀도가 높아지면서 수많은 전원·접지 포트를 동시에 분석해야 한다"며 "포트 수가 N개이고 분석 주파수 점이 F개일 경우 PDN 임피던스 데이터는 N×N×F 크기의 3차원 텐서로 구성된다. 포트 수가 늘어날수록 데이터 저장량은 제곱에 비례해 빠르게 증가한다. 김정호 교수는 "기존에는 이 같은 고차원 데이터를 일렬로 펼쳐 머신러닝에 입력하는 방식이 주로 사용됐지만, 이 경우 입력 포트와 출력 포트, 주파수 사이의 구조적 관계가 약화되고, 예측 결과에 나타나는 전자기적 결합이나 공진의 원인을 해석하기 어렵다는 한계가 있었다"며 "이 문제 해결의 대안을 제시한 것"이라고 말했다. 연구팀은 수학적 저차원 분해 기법인 터커 분해를 데이터 기반 표현 학습에 적용했다. 전체 임피던스 텐서를 포트 간 공간적 결합을 나타내는 '공간 잠재 인자', 주요 주파수 응답을 나타내는 '스펙트럼 기저 함수', 그리고 두 요소 사이의 상호작용을 저장하는 작은 '코어 텐서'로 분해하는 방식이다. 이를 통해 방대한 임피던스 값을 하나씩 저장하는 대신 전체 응답을 구성하는 대표적인 공간 및 주파수 패턴을 압축해 저장할 수 있도록 했다. 연구팀은 특히 공진점의 크기와 위상 정보를 유지하기 위해 복소수 선형 영역에서 텐서를 학습하고, 복원 정확도가 상대적으로 낮은 포트에 더 높은 가중치를 부여하는 '신뢰도 기반 포컬 학습법'을 적용했다. 기존 분해 방식이 전체 평균 오차를 줄이는 데 초점을 맞춘 것과 달리, 이 방법은 특정 포트에서 발생하는 국부적인 오차를 줄여, PDN 전체 영역에서 균일한 복원 정확도를 확보하도록 설계됐다. 연구팀은 이 기술을 적용, 실리콘 인터포저를 모사한 100포트 PDN 벤치마크를 대상으로 0.1~20GHz 범위의 1,001개 주파수 점을 분석했다. 그 결과 셀프 임피던스와 트랜스퍼 임피던스의 주요 공진 피크뿐 아니라 공진 부근에서 나타나는 급격한 위상 변화와 포트 간 공간적 결합 특성까지 재구성하는 것으로 나타났다. 또 학습된 공간 인자(factor))에서, 캐비티(cavity)에서 예상되는 정상파 패턴과 함께, 동일 주파수에서 서로 다른 공간 형상이 나타나는 축퇴 공진 특성과 일치하는 패턴도 확인했다. 특히 256포트 PDN 사례에서는 기존 방식으로 전체 복소 임피던스 데이터를 저장할 경우 약 1,001MB가 필요했지만, 제안한 텐서 표현은 약 1.44MB만으로 동일한 목표 복원 정확도를 만족했다. 약 695대 1의 데이터 압축률을 달성한 셈이다. 연구팀은 시험한 포트 범위에서 기존 데이터 저장량이 포트 수의 제곱에 비례해 증가하는 반면, 제안한 텐서 표현의 저장량은 훨씬 완만하게 증가하는 것도 확인했다. 김정호 교수는 "이번 연구는 단순한 데이터 압축을 넘어 압축된 공간·주파수 인자를 통해 강한 결합이 발생하는 위치와 전체 응답을 지배하는 공진 특성을 해석할 수 있다는 점에서 의미가 있다"고 말했다. 연구팀은 향후 실제 반도체 패키지처럼 포트가 불규칙하게 배치되고 비아, 배선, 디커플링 캐패시터 등 다양한 구조가 포함된 PDN으로 연구를 확대할 계획이다. 이를 통해 대규모 HBM·칩렛 패키지의 신속한 예측과 최적화는 물론 결함 진단, 인공지능(AI) 기반 설계 자동화 등에 활용할 수 있는 저차원 물리 특징을 개발한다는 목표다. 한편 KAIST 테라랩은 최우수 논문상을 잇따라 배출했다. 반도체 패키징 기술 관련 국제학회 '이뎁스(EDAPS) 2025'에서 배재근 연구생(석사과정)이 '최우수 학생 논문상', 2024년엔 김태수 석사과정 학생 이 학회에서 '최우수 논문상'을 수상했다.
