Los puntos clave no están disponibles para este artículo en este momento.
Exploramos el uso de Modelos de Lenguaje Grande (LLMs) para generar código de Nivel de Transferencia de Registro (RTL) de alta calidad con mínima interferencia humana. El flujo de trabajo tradicional de diseño RTL requiere que expertos humanos escriban manualmente código RTL de alta calidad, lo cual es laborioso y propenso a errores. Con la ayuda de LLMs emergentes, los desarrolladores pueden describir sus requerimientos a los LLMs, que luego generan código correspondiente en Python, C, Java, y más. Adoptar LLMs para generar diseño RTL en lenguajes de descripción de hardware no es trivial, dado la naturaleza compleja del diseño de hardware y que el diseño generado debe cumplir con las restricciones de tiempo y físicas. Proponemos VeriAssist, un asistente de programación potenciado por LLM para el flujo de trabajo de diseño RTL en Verilog. VeriAssist toma descripciones de diseño RTL como entrada y genera código RTL de alta calidad con bancos de pruebas correspondientes. VeriAssist permite al LLM auto-corregir y auto-verificar el código generado adoptando un sistema automático de indicaciones e integrando un simulador RTL en el ciclo de generación de código. Para generar un diseño RTL, VeriAssist primero genera el código RTL inicial y los bancos de pruebas correspondientes, seguido por un paso de auto-verificación que recorre el código con casos de prueba para razonar el comportamiento del código en diferentes pasos temporales, y finalmente auto-corrige el código leyendo los resultados de compilación y simulación y generando el código RTL final que corrige errores de compilación y simulación. Este diseño aprovecha completamente las capacidades de los LLM en interacciones multi-turno y razonamiento en cadena para mejorar la calidad del código generado. Evaluamos VeriAssist con varios conjuntos de pruebas de referencia y encontramos que mejora significativamente tanto la corrección sintáctica como funcional frente a implementaciones LLM existentes, minimizando así la intervención humana y haciendo el diseño RTL más accesible para diseñadores novatos.
Building similarity graph...
Analyzing shared references across papers
Loading...
Hanxian Huang
Zhenghan Lin
Zixuan Wang
Building similarity graph...
Analyzing shared references across papers
Loading...
Huang et al. (vie,) estudiaron esta cuestión.
www.synapsesocial.com/papers/68e6762bb6db643587600a64 — DOI: https://doi.org/10.48550/arxiv.2406.00115
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: