Automated Multi-Agent Workflows for RTL Design
Chandra Family Department of Electrical and Computer Engineering(查克拉家族电子与计算机工程系)
提出VeriMaAS多智能体框架,利用HDL形式验证反馈自动生成RTL代码生成工作流,以少量训练样本实现pass@k提升5-7%,大幅降低监督成本。
2025-09-24 cs.AI cs.AR
PRO-V-R1: Reasoning Enhanced Programming Agent for RTL Verification
University of California San Diego(加州大学圣地亚哥分校);NVIDIA(NVIDIA公司)
PRO-V-R1是一种基于推理增强的开源框架,通过结合LLM推理与编程工具,提升RTL验证的功能正确性和故障检测能力。
2025-12-08 cs.AI cs.AR
CASS-RTL: Correctness-Aware Subspace Steering for RTL Generation with LLMs
Department of Electrical and Computer Engineering (ECE), University of Central Florida, Orlando, FL 32816, USA(电子与计算机工程系,中央佛罗里达大学,奥兰多,佛罗里达州32816,美国)
提出CASS-RTL框架,通过识别LLM中与RTL正确性相关的注意力头并构建低维子空间进行轻量级干预,在无需额外监督或重训练的情况下提升RTL代码生成的功能准确性。
2026-06-04 cs.AR cs.LG cs.PL
CODMAS: A Dialectic Multi-Agent Collaborative Framework for Structured RTL Optimization
National Taiwan University(国立台湾大学);IBM Research(IBM研究院)
CODMAS通过结合结构化辩证推理与领域感知代码生成和确定性评估,实现RTL优化自动化,显著提升了时钟门控的功耗降低和流水线的延迟减少效果。
2026-03-17 cs.AR cs.CL cs.PL
ArchXBench: A Complex Digital Systems Benchmark Suite for LLM Driven RTL Synthesis
本文提出ArchXBench,一个涵盖密码学、图像处理等多领域复杂数字系统的六级RTL基准测试套件,实验发现当前最先进的LLM在第4级及以上任务上均告失败,揭示了其在复杂硬件生成能力上的显著差距。
2025-08-08 cs.AR
DUET: Agentic Design Understanding via Experimentation and Testing
Southmountain Research(Southmountain研究机构);ChipStack
DUET通过实验和测试提升AI代理在硬件设计验证中的性能
2026-01-22 cs.AI cs.AR cs.SE
VFlow: Discovering Optimal Agentic Workflows for Verilog Generation
本文提出VFlow框架,通过图结构搜索和多群体协作进化算法优化Verilog生成的智能体工作流,平衡功能、面积、功耗等多目标,使小模型以高ROI超越大模型,推动LLM在EDA中的应用。
2025-07-13 cs.AR cs.MA
Can Agents Design Better Chips with a Higher Level Abstraction?
UCLA(加州大学洛杉矶分校)
本研究提出AHRR流程,结合基于智能体的HLS设计与RTL优化,在11个任务基准上相比直接RTL设计实现2.6倍几何平均加速,验证了高层次抽象对智能体芯片设计的有效性。
2026-09-21 cs.AI cs.AR
Synthesis-in-the-Loop Evaluation of LLMs for RTL Generation: Quality, Reliability, and Failure Modes
Kansas State University(堪萨斯州立大学);NYU Tandon School of Engineering(纽约大学坦登工程学院);NYU Abu Dhabi(阿布扎比纽约大学)
本文评估32个语言模型在202个Verilog任务上的RTL生成能力,通过硬件质量指数衡量合成与实现质量,发现不同模型在HQI指标上的表现差异显著,揭示了专有模型与开源模型在合成故障上的系统性差异。
2026-05-10 cs.AR cs.SE
GateTruth: Auditing the Rigor of RTL Design Benchmarks via Mutation Testing
GateTruth是用于审计RTL基准测试平台严谨性的变异测试引擎,实验显示多数RTLLM v2.0基准测试平台未达95%变异体杀伤阈值,4096-token输出上限会影响模型排名,其成果推动将变异体杀伤认证设为RTL基准的标准要求。
2026-08-14 cs.AR
EDA-Aware RTL Generation with Large Language Models
PrimisAI(普里米斯人工智能公司);University of Utah(犹他大学)
本文提出与 LLM 无关的自验证多智能体框架 AIvril2,利用 EDA 错误日志迭代修复 RTL 语法与功能错误,在 VerilogEval-Human 上较既往方法提升近 3.4 倍。
2024-11-21 cs.AI cs.AR
TrojanGYM: A Detector-in-the-Loop LLM for Adaptive RTL Hardware Trojan Insertion
NYU Tandon School of Engineering(纽约大学Tandon工程学院);NYU Abu Dhabi(纽约大学阿布扎克分校)
提出TrojanGYM框架,利用大语言模型智能体自动生成多样化的硬件木马,暴露基于GNN的检测器盲点,并设计鲁棒检测器Robust-GNN4TJ,在生成的基准上将检测率从0%提升至60%。
2026-08-20 cs.AI cs.AR cs.CR
CHIA: An open-source framework for principled, agentic AI-driven hardware/software co-design research
University of California, Berkeley(加州大学伯克利分校)
提出CHIA开源框架,通过有向循环图表达智能体AI驱动的协同设计流程,支持多种工具集成,实现可扩展、容错的大规模协同设计研究。
2026-07-20 cs.AR
Formal that "Floats" High: Formal Verification of Floating Point Arithmetic
1 Infineon Technologies Semiconductor India Private Limited, India 2 Infineon Technologies Dresden AG \& Co. KG, Germany
本文提出了一种基于代理AI的形式化验证方法,通过直接RTL到RTL模型检查和黄金参考模型验证浮点运算,结合AI生成属性和人机协作细化,提升验证效率和覆盖范围。
2025-12-07 cs.AI cs.AR cs.LO
Agentic-IC3: Enabling Semantic Proof Search in IC3 Model Checking
Princeton University(普林斯顿大学)
Agentic-IC3将语言模型代理集成到IC3模型检查中,利用RTL设计信息进行语义证明搜索,在14个基准上解决10个案例,其中4个为三个基线均未解决的案例。
2026-09-24 cs.AR cs.LO
AUTOGATE: Automated Clock Gating via Toggling-Aware LLM-based RTL Rewriting
University of Maryland, College Park(马里兰大学学院公园分校);NVIDIA(英伟达)
提出AUTOGATE框架,通过ML-LLM协同设计将波形翻转迹线转化为紧凑表示,指导LLM进行RTL重写,实现层次化代码库中的时钟门控优化,平均降低动态功耗49.31%。
2026-06-17 cs.AI cs.AR cs.LG
ChipCraftBrain: Validation-First RTL Generation via Multi-Agent Orchestration
Cagri Eryilmaz
ChipCraftBrain通过多智能体协调和混合符号-神经架构实现验证优先的RTL生成,其核心方法包括自适应协调、混合架构、知识增强生成和分层规格分解,主要贡献是提升了RTL生成的准确性和效率。
2026-04-21 cs.AI cs.AR cs.LG
Can AI Agents Really Complete RTL-to-GDS? Lessons from Benchmarking Tool-Interactive EDA Workflows
研究探讨人工智能代理在EDA工作流程中的表现,提出FluxBench进行系统评估,涵盖多种场景并评估多项能力,引入Token ROI指标。结果显示不同代理系统架构性能有差距,特定领域技能不是提升性能的唯一关键,系统设计和基础模型能力也很重要。
2026-07-24 cs.AI cs.AR cs.LG
Agentic Hardware Design as Repository-Level Code Evolution
NVIDIA Research(NVIDIA研究)
提出HORIZON自演化代理框架,将硬件设计视为仓库级代码演化,通过Markdown编译项目包和免手代理循环实现全自动基准测试,在多个基准上达到100%完成率。
2026-06-29 cs.AI cs.AR
ChipMATE: Multi-Agent Training via Reinforcement Learning for Enhanced RTL Generation
UCSD(加州大学圣迭戈分校);Columbia University(哥伦比亚大学)
ChipMATE是首个自训练多智能体RTL生成框架,通过相互验证的智能体和混合数据生成框架提升生成质量,实现75.0%和80.1%的VerilogEval V2通过率。
2026-05-13 cs.AI cs.AR cs.LG
Veri-Sure: Multi-Agent RTL Code Generation with Temporal Tracing, Slicing and Formal Verification
School of Physics and Astronomy, The University of Edinburgh, Edinburgh, UK(物理与天文学院,爱丁堡大学,爱丁堡,英国);State Key Laboratory of Analog and Mixed-Signal VLSI, University of Macau, Macau(模拟与混合信号VLSI国家重点实验室,澳门大学,澳门);School of Science and Engineering, The Chinese University of Hong Kong, Shenzhen, Shenzhen, China(科学与工程学院,香港中文大学(深圳))
Veri-Sure通过合同感知多智能体框架结合时间追踪与形式验证,实现高正确性的RTL代码生成,优于独立LLMs和传统智能体系统。
2026-10-19 cs.AI cs.AR cs.SE
CovR: Coverage-Aware Hardware Verification via Reasoning-Guided Reinforcement Learning
Brown University(布朗大学)
CovR提出一种结合自我反思与仿真反馈的智能体框架,通过强化学习优化覆盖率驱动的测试平台生成,在多个基准上显著提升覆盖率并发现更多隐藏故障。
2026-09-22 cs.AR cs.CL
VeriMind: Agentic LLM for Automated Verilog Generation with a Novel Evaluation Metric
University of South Florida(南佛罗里达大学)
针对手动编写Verilog代码复杂耗时的问题,提出智能体LLM框架VeriMind,通过结构化推理方法生成代码,引入pass@ARC评估指标,实验显示其在pass@k和pass@ARC指标上分别提升8.3%和8.1%,推动硬件设计自动化。
2025-04-16 cs.AI cs.AR cs.LG
DeepV: A Model-Agnostic Retrieval-Augmented Framework for Verilog Code Generation with a High-Quality Knowledge Base
University of Florida(佛罗里达大学)
DeepV提出模型无关的RAG框架,利用高质量知识库增强上下文,无需RTL训练即可提升Verilog代码生成性能,在VerilogEval上使GPT-5提升近17%。
2025-10-06 cs.AI cs.AR
HierSVA: A Data Synthesis Pipeline, Dataset, and Benchmark for LLM-Driven Hierarchical Hardware Formal Verification
University of Washington(华盛顿大学)
提出HierSVA套件,包含数据合成流水线、数据集和基准,用于LLM驱动的层次化硬件形式化验证;通过RTL预处理与LLM在环流程生成SystemVerilog断言,并构建342模块数据集;设计六轴指标评估断言质量,揭示LLM在层次化验证中的性能与局限。
2026-06-15 cs.AI cs.AR
SparseCraft: Agentic Hardware-Software Co-Optimization for Sparse Computing
International Institute of Information Technology, Hyderabad(海得拉巴国际信息技术学院)
SparseCraft利用语言模型在闭环CHIA循环中协同优化稀疏加速器的软硬件设计,通过迭代编辑RTL、内存和调度,在GraphChallenge稀疏DNN层上实现周期、流量和面积的大幅降低。
2026-11-10 cs.AI cs.AR
BEHAVE: Functional Behavior Modeling Enables Self-Improving Agents for Hardware Design and Verification
Stanford University(斯坦福大学);Workato, Inc.(Workato公司)
BEHAVE通过功能行为建模为硬件设计验证智能体提供可靠反馈,支持自我改进,将Qwen3.8-27B的RTL pass@1从55.0%提升至75.0%。
2026-09-29 cs.AI cs.AR cs.LG
HLSmith: An Expert-Guided Agentic Framework for C/C++-to-HLS Translation
University of Minnesota Twin Cities(明尼苏达大学双城分校);Simon Fraser University(西蒙弗雷泽大学);Argonne National Laboratory(阿贡国家实验室)
本研究提出HLSmith框架,结合HLS优化专业知识库、分阶段反馈驱动编排流程及模型适配流水线,在PolyBench上较ChatHLS实现4.24倍几何平均加速比,所有基准均生成正确设计,开放权重模型下最高加速比达138倍。
2026-09-23 cs.AI cs.AR
FVDebug: An LLM-Driven Debugging Assistant for Automated Root Cause Analysis of Formal Verification Failures
NVIDIA
本文提出 FVDebug,融合波形、RTL 与规范,通过因果图、LLM 图扫描和智能体叙事解释自动定位形式验证失败根因并生成修复。
2025-09-16 cs.AI cs.AR
ASIC-Agent: An Autonomous Multi-Agent System for ASIC Design with Benchmark Evaluation
The American University in Cairo(开罗美国大学)
本文提出ASIC-Agent,一个基于多智能体架构和向量数据库的自主ASIC设计系统,并引入首个硬件设计智能体基准ASIC-Agent-Bench,实验证明其能显著加速ASIC设计工作流。
2025-08-21 cs.AI cs.AR cs.CL