Hin zu einem LLM-gestützten Verilog RTL-Assistenten: Selbstüberprüfung und Selbstkorrektur

Wir untersuchen den Einsatz von Large Language Models (LLMs) zur Generierung von hochwertigem Register-Transfer-Level (RTL)-Code mit minimaler menschlicher Einwirkung. Der traditionelle RTL-Design-Workflow erfordert, dass menschliche Experten hochwertigen RTL-Code manuell schreiben, was zeitaufwändig und fehleranfällig ist. Mit Hilfe aufkommender LLMs können Entwickler ihre Anforderungen an LLMs beschreiben, die dann entsprechenden Code in Python, C, Java und mehr generieren. Die Verwendung von LLMs zur Generierung von RTL-Designs in Hardwarebeschreibungssprachen ist nicht trivial, angesichts der komplexen Natur des Hardwaredesigns und der Tatsache, dass das generierte Design die Timing- und physikalischen Beschränkungen erfüllen muss. Wir schlagen VeriAssist vor, einen LLM-gestützten Programmierassistenten für den Verilog-RTL-Design-Workflow. VeriAssist nimmt RTL-Design-Beschreibungen als Eingabe und generiert hochwertigen RTL-Code mit zugehörigen Test-Benches. VeriAssist ermöglicht es dem LLM, den generierten Code durch ein automatisches Prompting-System und die Integration eines RTL-Simulators in die Codegenerierungsschleife selbst zu korrigieren und selbst zu verifizieren. Zur Generierung eines RTL-Designs erzeugt VeriAssist zunächst den initialen RTL-Code und die zugehörigen Test-Benches, gefolgt von einem Selbstüberprüfungsschritt, der den Code mit Testfällen durchläuft, um das Verhalten des Codes zu verschiedenen Zeitpunkten zu analysieren, und schließlich korrigiert es den Code, indem es die Kompilations- und Simulationsergebnisse liest und den endgültigen RTL-Code erstellt, der Fehler in Kompilation und Simulation behebt. Dieses Design nutzt vollständig die Fähigkeiten der LLMs zur Mehrfachinteraktion und Kette-von-Gedanken-Reasoning, um die Qualität des generierten Codes zu verbessern. Wir evaluieren VeriAssist mit verschiedenen Benchmark-Suiten und stellen fest, dass es sowohl die Syntax- als auch die Funktionskorrektheit gegenüber bestehenden LLM-Implementierungen signifikant verbessert, wodurch menschliche Eingriffe minimiert und das RTL-Design für Anfänger zugänglicher gemacht wird.