Semiconductor Engineering이 2026년 8월 27일 게재한 글은 무선 주파수 회로 RF 설계에 인공지능을 도입하는 일을 현재 플랫폼을 교체하거나 전체 워크플로를 재구축해야 하는 프로젝트가 아니라 점진적인 과정으로 다뤄야 한다고 제안한다. 이 아이디어는 실질적인 문제에서 출발한다. RF 및 마이크로파 팀의 역량 상당 부분은 숙련 엔지니어들이 축적한 조직 내 지식에 의존하며, 여기에는 전력 증폭기 설계 방법론, 소자 특성화, 작업 중 내려지지만 재사용 가능한 형태로 문서화되지 않은 의사결정이 포함된다.
글에 따르면 이러한 전문 지식의 손실은 신입 엔지니어의 숙련 기간을 늘리고 설계 공간 평가를 늦추며, 더 많은 후보를 시험했다면 발견할 수 있었던 재설계를 초래할 수 있다. 따라서 첫 번째 질문은 팀이 인공지능을 도입할지 여부가 아니라, 실제 설계물을 제작하는 데 엔지니어들이 의존하는 도구를 방해하지 않고 이 역량을 어떻게 구축할 것인지여야 한다.
병행해서 실행할 수 있는 세 단계
소식통이 Keysight의 인공지능 및 머신러닝 제품 관리자라고 소개한 저자 Daren McClearnon은 지식 수집, 도구 조율, 탐색 가속이라는 세 단계의 프레임워크를 제안한다. 이 프레임워크는 한 단계를 완료한 뒤에야 다음 단계를 시작할 것을 요구하지 않는다.
전문 지식을 수집해 재사용 가능한 자산으로 전환하기
소식통은 RF 전문 지식이 일반적으로 코드에만 존재하는 것이 아니라 도구, 방정식, 그리고 시뮬레이션 결과를 측정된 하드웨어에서 나타나는 현상과 연결하는 실무 경험에 분산되어 있다고 지적한다. 수집 단계에서는 이러한 지식을 팀이 실행하고 공유할 수 있는 형식으로 변환한 뒤, 나중에 소프트웨어 에이전트에 전달할 수 있도록 해야 한다.
- 회로도와 레이아웃을 조정 가능한 매개변수를 갖춘 Python 코드로 내보낸다.
- 전문가의 절차를 실행 가능한 스크립트 형태로 기록한다.
- 시뮬레이션 플로 차트를 에이전트 기반 시스템이 이해할 수 있는 문서화된 코드로 변환한다.
이 단계의 실질적인 가치는 그 자체로 언어 모델을 사용하는 데 있지 않다. 내부 방법론을 특정 개인의 기억 속에 남겨두는 대신 가시적이고 반복 가능한 형태로 만드는 데 있다.
스크립트 작성에서 목표 지정으로
조율 단계는 수집된 지식을 활용한다. 엔지니어가 모든 스크립트를 직접 작성하고 관리하는 대신, 20 dB를 초과하는 이득과 28 dBm을 초과하는 출력 전력을 갖는 MMIC 전력 증폭기 설계와 같이 원하는 결과를 지정하면, 도구에 연결된 언어 모델이 적절한 도구를 찾아 호출하도록 맡길 수 있다.
그러나 글에 따르면 이것이 곧바로 완전한 자율성으로 전환하는 것을 의미하지는 않는다. 현재 조직은 대체로 수동 프로그래밍과, 엔지니어의 의도를 이해하면서도 인간의 감독이 가까이 유지되는 초기 단계의 협업 보조 도구 사이에 있다. 다음 단계는 동일한 조율 기반에 의존해 부분적인 위임 아래 여러 단계의 작업을 맡는 전문 에이전트다.
물리 현상을 계속 감시하면서 탐색 가속하기
세 번째 단계는 탐색할 수 있는 설계의 수를 늘리고 대기 시간을 줄이는 데 초점을 맞춘다. 소식통은 두 가지 주요 도구를 언급한다. 대리 모델링은 무거운 전자기 시뮬레이션을 신경망 기반의 빠른 근사 모델로 대체하며, 일부 구조에서는 규모 면에서 두세 자릿수 더 빠를 수 있다. 인공지능 지원 최적화는 동시에 더 많은 매개변수를 처리하고 더 적은 수의 시뮬레이션으로 적합한 해를 찾을 수 있다.
그러나 결과를 신뢰할 수 없다면 가속은 실질적인 가치를 얻지 못한다. 특히 패키징, 인터페이스, 결합, 전원 및 접지 무결성, 3차원 전류에서 위험이 두드러진다. 이러한 요소는 빠르고 확신에 찬 답변이 실제 하드웨어의 동작에서 크게 벗어나게 만들고, 이후 고장의 근본 원인 분석을 어렵게 할 수 있다. 따라서 시스템에 대한 위임 범위를 확대하기 전에 모델링에 사용된 물리 현상을 실제 측정값과 비교해야 한다.
확대하기 전에 무엇을 검증해야 하는가?
이 프레임워크는 모델의 품질뿐 아니라 데이터 출처 추적의 중요성도 강조한다. 팀은 대리 모델의 학습 데이터가 어디에서 왔는지, 어떻게 라벨링되고 정제되었는지, 알려진 가정과 한계가 무엇인지 파악해야 한다. 이러한 투명성이 속도의 한계를 결정하고 속도가 보이지 않는 위험으로 변하는 것을 막는다.
소식통은 Sphere Semi라는 RFIC 설계 회사의 사례를 제시한다. 이 회사는 한 번에 하나의 설계만 탐색하는 문제에 직면했다. 회사는 생성, 시뮬레이션, 순위 지정, 최적화 단계를 수행하기 위해 완전히 코드로 정의되고 Python을 기반으로 하는 플로를 도입했으며, 회로 및 전자기 공동 시뮬레이션을 통해 수백 개에서 수천 개의 후보를 실행했다. 글에 제시된 수치에 따르면 이 접근 방식은 생산성을 5~10배 높였고, 아이솔레이션을 6 dB 개선했으며, 기존의 전통적인 수동 설계 프로세스와 비교해 필터 면적을 30% 줄였다.
certi.news의 해석: 글이 제안하는 실질적인 변화는 엔지니어를 독립 에이전트로 대체하는 것이 아니라, 분산된 지식을 실행 가능한 플로로 옮긴 다음 명확한 설계 목표와 측정 가능한 검증 도구에 연결하는 것이다. 이는 도입을 단일 플랫폼 결정과의 연관성보다 문서화, 데이터, 측정의 품질과 더욱 긴밀하게 연결한다. 다만 언급된 결과는 소식통이 제시한 하나의 사례에 해당하며, 동일한 이점이 모든 설계나 환경에서 반복될 것임을 그 자체로 입증하지는 않는다. 또한 패키징이나 구조, 데이터가 변경될 때 대리 모델의 일반화 가능성과 한계 같은 문제는 각 팀별로 별도의 검증이 필요하다.