On the RTL Implementation of FINN Matrix Vector Compute Unit
基于FPGA的加速器在深度神经网络中越来越受欢迎,因为它能够随着低架构或自定义数据类型的专业化程度的提高而扩展性能。为了减少软件工程师和数据科学家采用FPGA的障碍,引入了基于C++和OpenCL的设计条目和高级综合(HLS)。与基于寄存器传输级(RTL)的设计相比,它们提供了更高的抽象。在评估多维张量、卷积层或并行性时,HLS在代码探索方面提供了更快的开发时间、更好的可维护性和更大的灵活性。因此,HLS已被DNN加速器生成框架(如FINN和hls4ml)采用。在本文中,我们提出了一种替代后端RTL库的FINN。我们调查和评估,在一个频谱的设计尺寸,基于RTL的实现与原来的HLS的变体。我们表明,对于较小的设计参数,RTL产生显着更小的电路。然而,对于较大的电路,基于RTL的设计的查找表(LUT)计数略高,高达约$15\%$。另一方面,HLS始终需要更多的触发器(FF)(数量级增加)和块RAM(BRAM)(更多$2\times$)。这也会影响关键路线延迟,RTL会产生更快的电路,最高可达$80\%$。此外,RTL还受益于至少减少合成时间的$10\times$。最后,使用一个用于网络入侵检测的多层感知器(MLP)网络的实际用例对结果进行了实际验证。总的来说,由于HLS框架代码生成硬件设计,与综合时间减少和资源优势相比,设计入口的便利性的好处不那么重要,这可能使RTL抽象成为一种有吸引…
2022-04-11 cs.AR
RTL2M$μ$PATH: Multi-$μ$PATH Synthesis with Applications to Hardware Security Verification
本文提出RTL2MμPATH以自动综合处理器每条指令的多条形式化验证微架构执行路径,并基于多路径指示侧信道的观察进一步提出SynthLC,首次实现从RTL自动综合并形式化验证硬件泄漏契约。
2024-09-28 cs.AR cs.CR
GRADE-RTL: Evaluating LLM-Generated RTL Beyond Compilation
Vellore Institute of Technology(维洛尔理工学院);Queen’s University Belfast(贝尔法斯特女王大学);Umm Al-Qura University(乌姆古拉大学);University of Idaho(爱达荷大学)
本文提出GRADE-RTL框架,通过五项检查评估LLM生成的RTL代码,超越编译验证,区分结构、功能与实现质量,实验显示端到端成功率0%至70%,并揭示功能等价RTL在物理实现上的显著差异。
2026-09-23 cs.AR cs.PL
A Progressive Approach to Synthesizable RTL Design Generation Using LLMs
University of South Florida(南佛罗里达大学)
研究利用大语言模型从自然语言规范生成RTL设计时的问题,提出VeriRefine方法,将规范细化为明确描述并审核,生成代码后分类修复模拟失败,提升功能正确性,使可合成性成为结构属性。
2026-07-22 cs.AR
AutoINV: Automated Invariant Generation Framework for Formal Verification on High-Level Synthesis Designs
The Hong Kong University of Science and Technology(香港科技大学);Indian Institute of Technology Goa(印度理工学院果阿分校);The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州))
本文提出利用高层次综合流程中的设计特征构建辅助断言,以引导模型检查器并加速验证过程,实验表明在高层次综合设计基准上,该方法在速度上提升了最高6.05倍,平均提升2.23倍。
2026-04-24 cs.AR cs.SE
OmniSim: Simulating Hardware with C Speed and RTL Accuracy for High-Level Synthesis Designs
OmniSim 通过软件多线程与 FIFO 表精确记录硬件时序,并耦合功能与性能仿真,使 HLS 设计能以接近 C 语言速度、接近 RTL 精度进行仿真,成功支持十一个此前任何 HLS 工具均不支持的设计,最高加速达 35.9 倍。
2025-08-25 cs.AR cs.PF
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
QiMeng-CodeV-SVA: Training Specialized LLMs for Hardware Assertion Generation via RTL-Grounded Bidirectional Data Synthesis
本文提出通过RTL基础双向数据合成训练专用LLM生成硬件断言,解决数据稀缺和语义等价性判断问题,CodeV-SVA-14B在NL2SVA任务中表现优异。
2026-03-15 cs.AI cs.AR cs.CL
RTLFixer: Automatically Fixing RTL Syntax Errors with Large Language Models
针对大语言模型生成的Verilog代码语法错误率高的问题,提出结合RAG与ReAct提示的RTLFixer框架,让LLM自主交互式调试,大幅提升语法错误修复率与基准测试通过率。
2024-05-20 cs.AR
Evaluating Large Language Models for Automatic Register Transfer Logic Generation via High-Level Synthesis
本文提出LLM生成带注释C++代码再经高层次综合生成Verilog RTL的两阶段流水线,在VerilogEval上以0.86的pass@1显著优于直接生成Verilog的方法。
2024-08-05 cs.AR
MCP4EDA: LLM-Powered Model Context Protocol RTL-to-GDSII Automation with Backend Aware Synthesis Optimization
提出 MCP4EDA,通过 Model Context Protocol 让 LLM 以自然语言编排开源 RTL-to-GDSII 流程,并基于真实布局后数据闭环优化综合,显著改善时序与面积。
2025-07-25 cs.AR cs.MA
HINT: Toward an Executable Hardware-Intent Representation Layer for LLM-Driven RTL Generation
The Chinese University of Hong Kong(香港中文大学);Southeast University(东南大学)
本文提出HINT可执行硬件意图表示层,用于LLM驱动的RTL生成,在7个算子案例中全量生成合规可综合RTL,面积较人工实现及直接C2RTL结果显著降低,还验证了其在各类复杂设计中的有效性。
2026-08-20 cs.AR cs.MA
Rule-based High-level Hardware-RTL Synthesis of Algorithms, Virtualizing Machines, and Communication Protocols with FPGAs based on Concurrent Communicating Sequential Processes and the ConPro Synthesis Framework
虚拟化是对细节的抽象。算法和程序设计语言也提供了抽象。硬件和嵌入式系统的虚拟化在异构环境和网络中变得越来越重要,例如,分布式和材料集成传感器网络。通过引入直接在片上硬件中实现的虚拟化层,可以统一和唯一地访问各种硬件和低级协议的通信和数据处理。今天的硬件设计仍然是组件驱动的(如电路板),而不是将算法作为抽象层直接转换为硬件设计。程序和协议是算法,因此不要像传统的高级综合设计流程那样将它们作为设备处理!具有主导和复杂控制路径的复杂反应系统在SoC设计中发挥着越来越重要的作用。对并发性的主要贡献出现在控制路径级别。本文深入介绍了SoC设计方法,使用最高级别的综合ConPro编译器框架和面向过程的程序设计语言,提供了一个编程模型的基础上并发执行和通信的顺序进程(CCSP)与广泛的一组进程间通信原语。电路是在算法层面上建模和编程的,比组件驱动的设计更方便和自然。扩展的案例研究的智能通信协议路由器和先进的基于堆栈的处理器提供了一个可编程的虚拟化层显示和评估。两者一起用作部署在高密度传感器-致动器-网络中的智能节点架构,例如,用于材料集成智能系统。
2023-02-06 cs.AR cs.DC cs.PL
Demystifying Gate-Level Localization of RTL Trojans
University of Wisconsin-Madison(威斯康星大学麦迪逊分校);Marist University(玛里斯特学院)
本文提出LoRD,一种轻量级启发式方法,利用RTL木马综合后的稳定结构模式实现门级定位,在ICCAD 2025竞赛测试中得分2.957,优于ML基线。
2026-09-17 cs.AR cs.CR
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
High-Level Synthesis of Efficient Pipelines with Visibility Control
KAIST(韩国科学技术院);Seoul National University(首尔大学);FuriosaAI
研究如何在高级综合中对流水线进行细粒度控制以提升硬件设计。提出基于可见性控制的HLS工具,能在顺序编程模型中嵌入控制实现快速设计探索。在多种硬件上评估,结果显示编译后的流水线性能优于同类工具且PPA与手写RTL相当。
2026-07-22 cs.AR cs.PL
Closing the Loop on LLM-Generated RTL Assertions with Quality-Aware Formal Verification
School of Engineering, The University of Edinburgh(爱丁堡大学工程学院)
针对LLM生成RTL断言中的虚假通过、证明成本差异大和失败轨迹难解释问题,提出轻量级开源框架,通过突变引导精炼、求解器选择和因果叙事合成来提升断言质量和可解释性。
2026-06-23 cs.AR
LightningSim: Fast and Accurate Trace-Based Simulation for High-Level Synthesis
本文提出 LightningSim,通过追踪 LLVM IR 并映射 HLS 静态调度信息,快速精确仿真 FIFO 交互、流水线停顿与死锁;在 33 个基准上达到 99.9% 时序精度且最高提速 95 倍。
2023-04-21 cs.AR cs.PF
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
RTLCurator: Label-Efficient Data Curation for RTL Generation
University of Chinese Academy of Sciences(中国科学院大学);Hangzhou Institute for Advanced Study, University of Chinese Academy of Sciences(中国科学院大学杭州高等研究院);Institute of Computing Technology, Chinese Academy of Sciences(中国科学院计算技术研究所);Computer Network Information Center, Chinese Academy of Sciences(中国科学院计算机网络信息中心)
RTLCurator通过对比规范与模拟失败的实现学习兼容性先验,用少量验证配对校准后,平衡对齐度、覆盖度与结构丰富度保留80%语料,在CodeV和RTLCoder上提升RTL生成模型性能,仅需验证10%语料池。
2026-08-03 cs.AR cs.LG
Understanding and Mitigating Errors of LLM-Generated RTL Code
本文提出基于LLM的框架,通过检索增强生成、规则检查、多模态转换和迭代仿真调试,显著提升了RTL代码生成的准确性。
2026-02-01 cs.AR cs.CL cs.LG
Coverage-Driven RTL Assertion Generation with Formal Exploration and Neuro-Symbolic Refinement
The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州));The Hong Kong University of Science and Technology(香港科技大学)
该研究提出NeuroAssertion框架,结合形式化迹生成、SyGuS与智能体启发优化,实现覆盖率驱动的RTL断言生成,断言数量与突变覆盖率均约为传统方法的2倍。
2026-08-20 cs.AI cs.AR
R3A: Reliable RTL Repair Framework with Multi-Agent Fault Localization and Stochastic Tree-of-Thoughts Patch Generation
Peking University(北京大学);Beihang University(北航)
R3A通过多智能体故障定位和随机树状思维补丁生成方法,有效提高了RTL修复的可靠性,修复率高达90.6%。
2025-11-26 cs.AI cs.AR
TuRTLe: A Unified Evaluation of LLMs for RTL Generation
Barcelona Supercomputing Center(巴塞罗那超级计算中心);Universitat Politecnica de Catalunya(加泰罗尼亚理工大学)
针对EDA中RTL代码生成的复杂需求,提出统一评估框架TuRTLe,全面评估LLM在语法、功能、综合及PPA优化等方面的表现,发现推理模型整体更优但开销更大,且不同模型在模块补全与规范转RTL任务上各具优势。
2025-05-30 cs.AI cs.AR
Spec2RTL-Agent: Automated Hardware Code Generation from Complex Specifications Using LLM Agent Systems
本文提出Spec2RTL-Agent,一种多智能体LLM系统,通过推理、渐进编码和自适应反思模块,将复杂规格文档自动转化为可综合C++并优化为RTL,减少高达75%的人工干预。
2025-09-08 cs.AR
Spec2Assertion: Automatic Pre-RTL Assertion Generation using Large Language Models with Progressive Regularization
本文提出 Spec2Assertion,利用带渐进正则化和 CoT 提示的 LLM 从 RTL 前设计规范自动生成 SVA,并通过新评估方法验证其断言数量与质量显著优于现有方法。
2025-05-15 cs.AR
SymRTLO: Enhancing RTL Code Optimization with LLMs and Neuron-Inspired Symbolic Reasoning
University of Maryland, College Park(马里兰大学科帕克分校);City University of Hong Kong(香港城市大学);University of Southern California(南加州大学)
SymRTLO提出一种融合LLM代码重写、RAG优化规则、AST模板与FSM符号推理的RTL优化框架,并配合快速验证流水线,在PPA指标上相比现有方法最高提升62.5%。
2025-09-22 cs.AI cs.AR cs.LG
PoSyn: Secure Power Side-Channel Aware Synthesis
提出 PoSyn 逻辑综合框架,通过 RTL 组件到标准单元的最优二部映射最小化互信息泄漏,在多种密码算法和工艺节点上显著降低 PSC 攻击成功率并提升面积效率。
2025-06-09 cs.AR cs.CR
Beyond Tokens: Enhancing RTL Quality Estimation via Structural Graph Learning
Department of Computer Science and Engineering, The Chinese University of Hong Kong, Hong Kong SAR(香港中文大学计算机科学与工程系);Noah's Ark Lab, Huawei, Hong Kong SAR(华为诺亚实验室)
提出StructRTL框架,利用控制数据流图的结构语义和自监督学习,结合知识蒸馏,显著提升寄存器传输级设计质量估计的准确性。
2026-05-29 cs.AR cs.LG
On the Resilience of RTL NN Accelerators: Fault Characterization and Mitigation
Georgia Institute of Technology(佐治亚理工学院);Twentieth Century Fox(二十世纪福克斯公司);Starfleet Academy(星际舰队学院);Barcelona Supercomputing Center(巴塞罗那超级计算中心);Tyrell Inc.(泰瑞尔公司)
机器学习(ML)正在与大量生成的非结构化数据保持一致,这反过来又需要大量的计算资源。由于神经网络(NN)固有的计算和功耗密集型结构,硬件加速器成为一种有前途的解决方案。然而,随着技术节点扩展到10 nm以下,硬件加速器变得更容易出现故障,这反过来会影响NN的准确性。在本文中,我们研究了寄存器传输级(RTL)模型的NN加速器的弹性方面,特别是,故障表征和缓解。通过以下的高层次综合(HLS)的方法,首先,我们的RTL神经网络的各个组件的脆弱性的特征。我们观察到故障的严重性取决于i)应用级规范,即,NN数据(输入、权重或中间)、NN层和NN激活函数,以及ii)架构级规范,即,数据表示模型和底层加速器的并行度。其次,由表征结果的动机,我们提出了一种低开销的故障缓解技术,可以有效地纠正位翻转,比最先进的方法好47.3%。
2018-06-14 cs.AR cs.LG stat.ML
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
C Based Hardware Design for Wireless Applications
无线应用中使用的算法越来越复杂,因此在硬件中实现更具挑战性。传统的设计流程需要开发微体系结构,编码RTL,并根据原始功能C或MATLAB规范验证生成的RTL。本文介绍了一种基于C的设计流程,非常适合在无线应用中常见的DSP算法的硬件实现。C设计流程依赖于引导合成,以直接从不定时的C算法生成RTL。使用一个简单的DSP滤波算法组成的前向自适应均衡器,64-QAM限幅器和自适应判决反馈均衡器的基于C的设计流程的细节进行描述。该示例说明了此流提供的一些功能和优点。
2007-10-25 cs.AR
Make Every Move Count: LLM-based High-Quality RTL Code Generation Using MCTS
Texas A&M University(德克萨斯农工大学);New York University(纽约大学)
针对LLM生成RTL代码时缺乏PPA感知的问题,提出集成MCTS的Transformer解码算法,引导生成可编译、功能正确且PPA优化的代码,在16位加法器上实现面积-延迟积31.8%的改进。
2024-02-05 cs.AI cs.AR cs.LG
Revisiting FPGA Acceleration of Molecular Dynamics Simulation with Dynamic Data Flow Behavior in High-Level Synthesis
分子动力学(MD)模拟是过去十年中生物科学家和研究人员探索人类健康和疾病的最重要工具之一。然而,由于MD算法的计算复杂性,在传统的多核处理器上模拟相对简单的生物实体需要数周甚至数月。分子动力学模拟中的关键路径是模拟环境中粒子间的力的计算,具有丰富的并行性。在众多的加速平台中,FPGA以其低功耗、高能效的特点成为一个极具吸引力的选择。然而,由于其使用RTL的编程成本高,还没有主流的MD软件包采用FPGA进行加速。在本文中,我们重新审视的高层次综合(HLS)的MD的FPGA加速,以提供负担得起的编程成本。我们的MD加速经验表明,HLS优化,如循环流水线,模块复制和内存分区是必不可少的,以提高性能,实现了9.5倍的加速比相比,12核CPU。更重要的是,我们观察到,即使是完全优化的HLS设计仍然可能比参考RTL架构慢2倍,这是由于当前HLS工具尚未支持的常见动态(条件)数据流行为。为了支持这种行为,我们通过一个通用的RTL模板进一步定制了一系列处理元素以及一个数据驱动的流网络,并完全自动化了设计流程。我们的最终实验结果表明,与12核英特尔至强服务器相比,在Convey HC1ex FPGA上广泛使用的ApoA1 MD基准测试的性能加速为19.4倍,能效为39倍。
2016-11-11 cs.AR physics.atom-ph physics.comp-ph
Configuration Over Selection: Hyperparameter Sensitivity Exceeds Model Differences in Open-Source LLMs for RTL Generation
NYU Tandon School of Engineering(纽约大学坦顿工程学院);NYU Abu Dhabi(纽约大学阿布扎比分校);Kansas State University(堪萨斯州立大学)
研究通过对比26个开源LLM在VerilogEval和RTLLM上的表现,发现超参数配置对RTL生成效果影响显著,优于模型选择,揭示了配置优化的重要性。
2026-04-18 cs.AI cs.AR
Bench4HLS: End-to-End Evaluation of LLMs in High-Level Synthesis Code Generation
Department of Electrical and Computer Engineering (ECE), University of Central Florida(电子与计算机工程系,中央佛罗里达大学)
Bench4HLS通过提供结构化、可扩展的测试平台,评估LLM在高层次综合代码生成中的性能与优化能力。
2026-01-16 cs.AI cs.AR cs.PL
VerilogCL: A Contrastive Learning Framework for Robust LLM-Based Verilog Generation
Microelectronics Thrust, Hong Kong University of Science and Technology (Guangzhou)(微电子学领域,香港科技大学(广州))
本文提出VerilogCL框架,通过对比学习和主动错误筛查提升Verilog代码生成的鲁棒性,实验表明其在编译成功率和功能正确性上优于现有基线。
2026-04-20 cs.AR
VerilogDB: The Largest, Highest-Quality Dataset with a Preprocessing Framework for LLM-based RTL Generation
University of Florida(佛罗里达大学)
本文构建了VerilogDB,通过PostgreSQL管理、多源采集和语法验证与逻辑综合等预处理流程,创建了包含20,392个样本的最大高质量Verilog数据集,用于LLM的RTL生成微调。
2025-07-09 cs.AI cs.AR cs.LG
LightningSimV2: Faster and Scalable Simulation for High-Level Synthesis via Graph Compilation and Optimization
针对现有HLS仿真工具冗余计算多、大型设计仿真与设计空间探索效率低的问题,提出LightningSimV2工具,通过静态分析、解耦式图仿真等创新,实现全仿真最高3.5倍、增量DSE最高577倍的速度提升。
2024-04-16 cs.AR cs.PF
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
LAAG-RV: LLM Assisted Assertion Generation for RTL Design Verification
本文提出基于LLM的LAAG-RV框架,通过自然语言规范生成SVA,并利用一次性Verilog循环和迭代提示修正错误,显著简化了RTL设计验证的断言生成过程。
2024-08-13 cs.AR cs.ET
DecoRTL: A Run-time Decoding Framework for RTL Code Generation with LLMs
Department of Electrical and Computer Engineering (ECE), University of Central Florida(电子与计算机工程系,中央佛罗里达大学)
本文针对LLM生成RTL代码时的解码失败问题,提出运行时解码框架DecoRTL,通过自一致性采样和语法感知温度自适应提升语法有效性、功能正确性与输出多样性,且无需额外微调。
2025-07-03 cs.AR cs.LG cs.PL
VeriGraphi: A Multi-Agent Framework of Hierarchical RTL Generation for Large Hardware Designs
Dept. of Computer Science \& Eng. University of South Florida Tampa, Florida, United States
VeriGraphi通过构建基于规范的图谱,解决LLM在生成分层RTL时的结构失真问题,实现可靠生成并保持功能正确性。
2026-04-19 cs.AI cs.AR cs.LG
HLSPilot: LLM-based High-Level Synthesis
针对自然语言生成RTL代码语义鸿沟大、易出错的问题,提出首个LLM驱动的高层次综合框架HLSPilot,结合C转HLS策略、DSE调参与瓶颈分析,实现CPU-FPGA架构应用自动加速,性能可比肩甚至超越人工设计。
2024-08-13 cs.AR
SynFuzz: Leveraging Fuzzing of Netlist to Detect Synthesis Bugs
George Mason University(乔治梅森大学);University of Florida(佛罗里达大学)
SynFuzz提出一种面向门级网表的硬件模糊测试方法,通过门级覆盖率指标和差分模糊测试检测综合缺陷与EDA库恶意行为,在开源处理器和IP上发现7个新缺陷,并实现可绕过传统验证的CLiMA攻击,超越Cadence Conformal的验证能力。
2025-11-06 cs.AR cs.CR
CPPL: A Circuit Prompt Programming Language
The Chinese University of Hong Kong(香港中文大学);The Chinese University of Hong Kong (Shenzhen)(香港中文大学(深圳));Fudan University(复旦大学)
本文提出CPPL,一种通过编译器中介的硬件设计框架,将LLM辅助的硬件生成转化为可静态检查的前端问题,从而提高硬件设计的可靠性、可分析性和后端优化能力。
2026-05-18 cs.AR
Hardware Synthesis of State-Space Equations; Application to FPGA Implementation of Shallow and Deep Neural Networks
Emory University(埃默里大学)
目前,浅层和深层神经网络在生物医学工程、图像处理、计算机视觉和语音识别等领域有着广泛的应用。许多研究人员已经开发了硬件加速器,包括现场可编程门阵列(FPGA),用于实现高性能和节能的神经网络。显然,硬件架构的设计过程是具体的和耗时的每一个神经网络。因此,一个系统的方法来设计,实现和优化神经网络是非常必要的。本文提出了一种在寄存器传输级(RTL)实现状态空间模型的系统方法,特别是NN实现。所提出的设计流程是基于状态空间模型的迭代性质和状态空间公式与有限状态机之间的类比。该方法可用于线性/非线性和时变/时不变系统。它也可以用来实现固有的迭代系统(广泛用于各种领域,如信号处理,数值分析,计算机运算和控制工程),或系统,可以重写为等效的迭代形式。具有内在状态空间形式的递归神经网络(例如长短期记忆(LSTM)神经网络)的实现是该框架的另一个主要应用。作为一个案例研究,它表明,状态空间系统可以用于系统的实施和优化的神经网络(作为非线性和时变动态系统)。还在线提供RTL代码生成软件,该软件简化了任意大小的NN的自动生成。
2021-05-15 cs.AI cs.AR eess.SP
Revisiting VerilogEval: A Year of Improvements in Large-Language Models for Hardware Code Generation
NVIDIA Corporation(英伟达公司);Cornell University(康奈尔大学)
本文重新评估了 VerilogEval 发布一年来多种新商业与开源大语言模型在硬件代码生成上的表现,发现 GPT-4o 与 Llama3.1 405B 等模型通过率显著提升,并通过改进基准测试基础设施强调了提示工程与失败分析对模型发展的重要性。
2025-02-03 cs.AI cs.AR
MultModLM: A multi-modal benchmark for Large-Language Model based hardware schematic generation
DoCSE SVNIT Surat, India(SVNIT苏拉特计算机科学与工程系);George Mason University Fairfax, India(乔治梅森大学弗吉尼亚州)
提出MultModLM基准,评估LLM从RTL描述生成硬件原理图的能力,通过多阶段评估框架发现模型生成原理图功能正确性有限,且LLM评估者与人类评分一致性极低。
2026-06-29 cs.AR
NL2GDS: LLM-aided interface for Open Source Chip Design
University of Bristol(布里斯托大学);Science and Technology Facilities Council (STFC)(科学与技术设施委员会);Rutherford Appleton Laboratory(鲁瑟福阿普尔顿实验室)
NL2GDS通过大语言模型将自然语言描述转换为可综合的RTL和GDSII布局,实现开源芯片设计的自动化,显著提升设计效率和性能。
2026-03-05 cs.AR cs.CY cs.LO
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
SENTAUR: Security EnhaNced Trojan Assessment Using LLMs Against Undesirable Revisions
New York University(纽约大学)
针对集成电路供应链中的硬件木马风险,提出基于大语言模型的SENTAUR框架,无需学习周期即可生成并净化RTL级HT实例,实现快速评估,且可推广至自动功能修改。
2024-07-17 cs.AI cs.AR cs.CR
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
ChipSeek: Optimizing Verilog Generation via EDA-Integrated Reinforcement Learning
SKLP, Institute of Computing Technology, Chinese Academy of Sciences(中国科学院计算技术研究所智能计算机研究中心);University of Chinese Academy of Sciences(中国科学院大学);University of Electronic Science and Technology of China(电子科技大学);Beijing Institute of Technology(北京理工大学)
ChipSeek通过集成EDA的强化学习框架,优化RTL代码生成,提升功能正确性和PPA指标。
2026-04-10 cs.AI cs.AR cs.PL