EDA 뉴스 · 2026년 8월 15일

Calibre Vision AI는 DRC 디버그를 완료 대기에서 실시간 triage로 옮깁니다

칩 물리 검증에서 Design Rule Check, 즉 DRC는 layout이 공정 설계 규칙을 어기지 않는지 찾는 단계입니다. 고급 공정의 초기 full-chip DRC는 오류가 너무 많아, 실행이 끝난 뒤 긴 목록을 열고 어디부터 고칠지 고르는 일 자체가 병목이 됩니다. Siemens가 2026년 Calibre Vision AI 자료에서 강조한 변화는 이 병목을 검사 완료 후 분석에서 검사 중 실시간 triage로 옮기는 것입니다.

세 줄 요약

EDA 엔지니어를 위한 판단

병목은 DRC 실행만이 아니라 결과를 이해하는 시간입니다

DRC violation은 layout의 선폭, 간격, enclosure, via, boundary 조건 같은 공정 규칙 위반을 뜻합니다. Advanced-node SoC에서는 초기 integration 단계에서 block interface, power intent, routing constraint가 계속 바뀌기 때문에 오류가 한 번에 수억 개에서 수십억 개까지 나올 수 있습니다. 이때 문제는 “오류가 많다”에서 끝나지 않습니다.

기존 batch 중심 flow에서는 full-chip DRC를 돌리고, 결과 파일이 모두 생성되고, viewer가 그 파일을 읽은 뒤에야 debug가 시작됩니다. 오류 목록이 ASCII 결과 파일에 제한적으로 잘리거나 check별 상한에 걸리면, 첫 반복에서 systemic issue 전체를 보지 못하고 다음 반복에서야 숨은 오류를 다시 만날 수 있습니다. Siemens가 이번 자료에서 겨냥한 병목은 바로 이 대기와 부분 가시성입니다.

OASIS는 layout 데이터를 효율적으로 표현하는 반도체 설계 데이터 형식입니다. Siemens 자료에 따르면 Calibre Vision AI는 Calibre nmDRC가 OASIS results database를 쓰는 동안 이를 점진적으로 읽어, 새 violation이 생기는 즉시 review 환경에 띄웁니다. 엔지니어는 전체 DRC 완료를 기다리지 않고 초기 결과에서 boundary 설정, macro integration, 특정 rule family 같은 큰 원인을 먼저 볼 수 있습니다.

Signal grouping은 오류 목록을 고치는 순서로 바꾸려는 장치입니다

Calibre Vision AI의 핵심 단위는 Signal입니다. Siemens는 개별 DRC violation을 공간적 위치, 문맥, 의미적 유사성으로 분석해 같은 failure pattern을 나타내는 묶음으로 만든다고 설명합니다. Signature는 여러 Signal에서 반복되는 더 큰 failure behavior를 가리키는 상위 단위입니다.

이 차이는 실무 동작을 바꿉니다. 오류 목록이 “1번 violation부터 끝까지”라면 팀은 수작업 filter와 script로 root cause 후보를 찾아야 합니다. Signal grouping이 잘 작동하면, 같은 cell boundary 조건이나 같은 integration mistake에서 나온 violation을 한 debug entry point로 보고 owner를 배정할 수 있습니다. 즉 도구의 출력이 단순한 판정표에서 다음 행동을 정하는 작업 큐에 가까워집니다.

Siemens는 2026 white paper에서 platform이 2025년의 instance-complete, AI-guided triage에서 real-time collaborative closure environment로 발전했다고 설명합니다. 새 기능으로는 incremental OASIS loading, 강화된 Signal grouping, persistent Signal properties and status, global filtering, save/export, implementation tool과의 tighter integration을 들었습니다. 여기서 확인 가능한 새 국면은 “AI가 DRC를 대신 고친다”가 아니라, DRC 결과가 생성되는 중에 team workflow로 들어온다는 점입니다.

이 변화가 signoff flow에서 의미 있으려면 조건이 필요합니다

Physical verification에서 빠른 debug는 signoff 정확성을 낮추지 않을 때만 가치가 있습니다. Calibre Vision AI 자료는 Calibre nmDRC 결과와 OASIS database를 바탕으로 한다고 설명하지만, 공개 문서만으로는 각 고객 design의 rule deck, hierarchy flattening, error reporting option, foundry signoff deck 조건을 볼 수 없습니다. 따라서 이 글은 “Calibre Vision AI가 DRC signoff를 더 정확하게 한다”는 결론을 내리지 않습니다.

대신 실무적으로 확인할 조건은 비교적 분명합니다. 첫째, instance-complete 결과가 실제로 기존 error cap을 피해 systemic issue를 한 번에 보여 주는지 봐야 합니다. 둘째, Signal과 Signature가 root cause를 잘 묶는지, 아니면 engineer가 다시 풀어 헤쳐야 하는 noisy grouping인지 확인해야 합니다. 셋째, handoff와 export가 block owner와 top integration owner 사이의 책임 추적에 충분한지 봐야 합니다.

이 조건이 맞으면 flow의 병목은 줄어들 수 있습니다. 예를 들어 SRAM macro 주변 routing constraint 오류가 수많은 instance에서 반복된다면, 개별 marker를 세는 것보다 같은 Signature로 묶어 floorplan 또는 constraint owner에게 넘기는 편이 빠릅니다. 반대로 unrelated violation이 한 Signal로 섞이면 잘못된 fix 우선순위를 만들 수 있습니다.

확인된 것과 확인되지 않은 것

구분확인된 것확인되지 않은 것
기능 범위Siemens 공식 자료는 Calibre Vision AI가 incremental OASIS results loading, AI-guided Signal grouping, global filtering, save/export, collaboration workflow를 제공한다고 설명합니다.특정 foundry rule deck과 실제 고객 design에서 동일하게 동작하는 상세 조건은 공개되지 않았습니다.
flow 변화DRC run이 끝난 뒤 결과를 여는 batch flow 대신, Calibre nmDRC 실행 중 새 violation을 review할 수 있다는 workflow가 설명됐습니다.전체 DRC wall-clock time, debug engineer hour, 재검사 횟수 감소는 독립 benchmark로 확인하지 못했습니다.
데이터 단위Signal과 Signature가 개별 violation을 root-cause 후보 단위로 묶는 triage layer라는 점은 문서에서 확인됩니다.grouping 정확도, false grouping, missed systemic issue 비율은 공개 자료만으로 평가할 수 없습니다.
재현성제품 설명, technical paper, fact sheet는 공개되어 있어 작동 원리와 적용 대상을 추적할 수 있습니다.Calibre Vision AI 실행, 상용 rule deck, advanced-node DRC result database가 필요해 편집국은 결과를 재실행하지 않았습니다.

이 공개의 의의와 편집 판단

편집 판단: Calibre Vision AI의 2026 공개 자료는 DRC debug를 “오류 파일을 다 받은 뒤 사람이 줄을 세우는 일”에서 “검사가 진행되는 동안 root-cause 후보를 만들고 팀에 넘기는 일”로 바꾸려는 흐름을 보여 준다는 점에서 기사 가치가 있습니다. 이는 AI라는 이름보다 OASIS 결과의 점진적 로딩, instance-complete visibility, Signal/Signature 상태 추적이 설계 flow의 대기 시간과 handoff 방식을 바꾼다는 점이 핵심입니다.

다만 이 판단은 workflow 변화에 관한 것입니다. Siemens가 말하는 시간 단축, 수렴 개선, 생산성 향상은 실제 design, node, rule deck, hierarchy, 서버, 팀 운영 방식에 크게 묶입니다. 독립 재현 없이 이를 제품 우위나 tapeout 일정 단축으로 확대하지 않습니다.

이해상충과 취재 조건

중심 근거는 Siemens EDA가 자기 제품을 설명한 공식 블로그, white paper, technical paper, fact sheet입니다. 제품 기능과 workflow 설명에는 1차 근거로 쓸 수 있지만, 성능 우월성이나 고객 생산성 개선을 독립적으로 입증하지는 않습니다.

편집국은 Siemens의 사전 브리핑, 라이선스, 고객 자료, foundry rule deck, 실제 DRC 결과 database를 제공받지 않았습니다. 공개 문서만 확인했기 때문에 재현성은 R1 설명 가능으로 둡니다.

근거 원장

Claim근거판정
C1. Siemens는 2026년 Calibre Vision AI를 real-time, collaborative DRC closure 환경으로 설명하며 incremental OASIS loading, Signal grouping, filtering, save/export를 주요 기능으로 제시했다.Siemens 2026 white paper, Siemens Calibre blogE2: 기능과 workflow가 공식 기술 자료에 구체적으로 설명됨
C2. Calibre Vision AI는 Calibre nmDRC run이 진행되는 동안 OASIS results database를 점진적으로 읽어 violation review를 시작하게 한다.Siemens Calibre blog, technical paperE2: 작동 단계가 공식 원문 두 곳에서 확인됨
C3. Signal과 Signature는 개별 DRC violation을 root-cause 후보 단위로 묶어 triage와 handoff를 돕는 계층이다.Siemens Calibre blog, fact sheet, white paperE2: 제품 문서상 개념과 사용 목적 확인
C4. Calibre Vision AI가 실제 SoC에서 DRC iteration 시간을 얼마나 줄이고 다른 tool보다 우월한지.공개 독립 benchmark 없음미확인: 기사 결론으로 채택하지 않음

근거 수준의 상한은 E2, 재현성은 R1입니다. 공개 원문이 작동 원리와 workflow를 설명하지만, 상용 도구와 실제 DRC database가 없어 편집국이 재실행하지 않았습니다.

출처

  1. Siemens EDA Blog, DRC at scale: How Calibre Vision AI turns billions of errors into actionable insights (2026-08-05)
  2. Siemens, From billions of violations to actionable insights: Calibre Vision AI
  3. Siemens, Calibre Vision AI: A revolution in chip-level DRC debug using AI guided results analysis
  4. Siemens, Calibre Vision AI fact sheet