RTL Imperfetto Generato da LLM Migliora l'Apprendimento della Rappresentazione di Netlist
Uno studio recente pubblicato su arXiv (2603.09161) presenta un nuovo framework che utilizza codice Register-Transfer-Level (RTL) imperfetto generato da Large Language Models (LLM) per migliorare l'apprendimento della rappresentazione di netlist. La limitata disponibilità di dataset etichettati, principalmente a causa di problemi di proprietà intellettuale e degli alti costi di annotazione, ha limitato la ricerca precedente a circuiti di piccole dimensioni con etichette pulite, ostacolando la scalabilità. Gli autori notano che anche se l'RTL prodotto dagli LLM è funzionalmente difettoso, le netlist risultanti mostrano comunque pattern strutturali che riflettono la funzionalità prevista. Propongono un framework economico di data augmentation e addestramento che utilizza efficacemente questi RTL imperfetti generati da LLM come dati di addestramento, creando una pipeline completa end-to-end. L'articolo completo è disponibile su https://arxiv.org/abs/2603.09161.
Fatti principali
- L'articolo arXiv:2603.09161 propone l'uso di RTL imperfetto generato da LLM per l'apprendimento della rappresentazione di netlist.
- I dataset etichettati per la rappresentazione di netlist sono scarsi a causa della protezione della proprietà intellettuale e dei costi di annotazione.
- I lavori esistenti si concentrano su circuiti su piccola scala con etichette pulite.
- L'RTL generato da LLM può essere prodotto su larga scala ma è spesso funzionalmente errato.
- Intuizione chiave: anche un RTL imperfetto preserva pattern strutturali indicativi della funzionalità prevista.
- Il framework è economicamente vantaggioso e utilizza data augmentation e addestramento.
- La pipeline è end-to-end dall'RTL generato da LLM all'apprendimento della rappresentazione di netlist.
- L'articolo è disponibile su arXiv.
Entità
Istituzioni
- arXiv