論文の概要: HDLxGraph: Bridging Large Language Models and HDL Repositories via HDL Graph Databases

• arxiv url: http://arxiv.org/abs/2505.15701v1
• Date: Wed, 21 May 2025 16:14:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-22 15:42:59.769786
• Title: HDLxGraph: Bridging Large Language Models and HDL Repositories via HDL Graph Databases
• Title（参考訳）: HDLxGraph: HDLグラフデータベースによる大規模言語モデルとHDLリポジトリのブリッジ
• Authors: Pingqing Zheng, Jiayin Qin, Fuqi Zhang, Shang Wu, Yu Cao, Caiwen Ding, Yang, Zhao,
• Abstract要約: 大規模言語モデル(LLM)は、ハードウェア設計タスクにおいてその可能性を実証している。 しかし、実際のリポジトリレベルのHDLプロジェクトでのパフォーマンスは、数千から数万のコード行で妨げられています。 グラフ検索拡張生成(Graph RAG)とLLMを統合する新しいフレームワークであるHDLxGraphを提案する。
• 参考スコア（独自算出の注目度）: 57.51078142561683
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large Language Models (LLMs) have demonstrated their potential in hardware design tasks, such as Hardware Description Language (HDL) generation and debugging. Yet, their performance in real-world, repository-level HDL projects with thousands or even tens of thousands of code lines is hindered. To this end, we propose HDLxGraph, a novel framework that integrates Graph Retrieval Augmented Generation (Graph RAG) with LLMs, introducing HDL-specific graph representations by incorporating Abstract Syntax Trees (ASTs) and Data Flow Graphs (DFGs) to capture both code graph view and hardware graph view. HDLxGraph utilizes a dual-retrieval mechanism that not only mitigates the limited recall issues inherent in similarity-based semantic retrieval by incorporating structural information, but also enhances its extensibility to various real-world tasks by a task-specific retrieval finetuning. Additionally, to address the lack of comprehensive HDL search benchmarks, we introduce HDLSearch, a multi-granularity evaluation dataset derived from real-world repository-level projects. Experimental results demonstrate that HDLxGraph significantly improves average search accuracy, debugging efficiency and completion quality by 12.04%, 12.22% and 5.04% compared to similarity-based RAG, respectively. The code of HDLxGraph and collected HDLSearch benchmark are available at https://github.com/Nick-Zheng-Q/HDLxGraph.
• Abstract（参考訳）: 大きな言語モデル(LLM)はハードウェア記述言語(HDL)の生成やデバッグといったハードウェア設計タスクにおいてその可能性を実証している。 しかし、実際のリポジトリレベルのHDLプロジェクトでのパフォーマンスは、数千から数万のコード行で妨げられています。 この目的のために、HDLxGraphは、グラフ検索拡張生成(Graph RAG)とLLMを統合し、抽象構文木(AST)とデータフローグラフ(DFG)を統合してHDL固有のグラフ表現を導入し、コードグラフビューとハードウェアグラフビューの両方をキャプチャする新しいフレームワークである。 HDLxGraphは、構造情報を組み込んで類似性に基づくセマンティック検索に固有の限られたリコール問題を緩和するだけでなく、タスク固有の検索微調整により、様々な現実世界のタスクへの拡張性を向上する、二重検索機構を利用する。 さらに,HDL検索の総合的なベンチマークの欠如に対処するため,実世界のリポジトリレベルのプロジェクトから派生した多粒度評価データセットであるHDLSearchを紹介した。 実験の結果,HDLxGraphは類似性に基づくRAGと比較して平均探索精度,デバッグ効率,完了品質を12.04%,12.22%,5.04%向上することがわかった。 HDLxGraphのコードとHDLSearchベンチマークはhttps://github.com/Nick-Zheng-Q/HDLxGraphで公開されている。

関連論文リスト

• Learning Efficient and Generalizable Graph Retriever for Knowledge-Graph Question Answering [75.12322966980003]
  大規模言語モデル(LLM)は、様々な領域にわたって強い帰納的推論能力を示している。 既存のRAGパイプラインのほとんどは非構造化テキストに依存しており、解釈可能性と構造化推論を制限する。 近年,知識グラフ解答のための知識グラフとLLMの統合について検討している。 KGQAにおける効率的なグラフ検索のための新しいフレームワークであるRAPLを提案する。
  論文  参考訳（メタデータ） (2025-06-11T12:03:52Z)
• Align-GRAG: Reasoning-Guided Dual Alignment for Graph Retrieval-Augmented Generation [75.9865035064794]
  大きな言語モデル(LLM)は目覚ましい能力を示しているが、幻覚や時代遅れの情報といった問題に苦戦している。 Retrieval-augmented Generation (RAG) は、情報検索システム(IR)を用いて、外部知識のLLM出力を基底にすることで、これらの問題に対処する。 本稿では、検索後句における新しい推論誘導二重アライメントフレームワークであるAlign-GRAGを提案する。
  論文  参考訳（メタデータ） (2025-05-22T05:15:27Z)
• GraphRAFT: Retrieval Augmented Fine-Tuning for Knowledge Graphs on Graph Databases [0.0]
  GraphRAFTは、LCMを微調整して、確実に正しいCypherクエリを生成する、検索と推論のためのフレームワークである。 本手法は,自然グラフDBに格納された知識グラフを用いて,棚から取り出すことができる最初の方法である。
  論文  参考訳（メタデータ） (2025-04-07T20:16:22Z)
• BRIDGES: Bridging Graph Modality and Large Language Models within EDA Tasks [12.683482535955314]
  LLMのパフォーマンスは、グラフがシーケンシャルテキストとして表現されるときに悩む。 EDAタスクのための LLM にグラフモダリティを組み込むためのフレームワークBRIDGES を紹介する。 その結果、テキストのみのベースラインに比べて、複数のタスクで2倍から10倍の改善が見られた。
  論文  参考訳（メタデータ） (2025-04-07T15:27:32Z)
• RGL: A Graph-Centric, Modular Framework for Efficient Retrieval-Augmented Generation on Graphs [58.10503898336799]
  完全なRAGパイプラインをシームレスに統合するモジュラーフレームワークであるRAG-on-Graphs Library(RGL)を紹介した。 RGLは、さまざまなグラフフォーマットをサポートし、必須コンポーネントの最適化実装を統合することで、重要な課題に対処する。 評価の結果,RGLはプロトタイピングプロセスの高速化だけでなく,グラフベースRAGシステムの性能や適用性の向上も図っている。
  論文  参考訳（メタデータ） (2025-03-25T03:21:48Z)
• Can Large Language Models Analyze Graphs like Professionals? A Benchmark, Datasets and Models [88.4320775961431]
  グラフを処理するために,大規模言語モデル(LLM)のベンチマークであるProGraphを導入する。 その結果,現在のLCMの性能は不満足であり,最高のモデルでは36%の精度しか達成できないことがわかった。 本研究では,6つの広く使用されているグラフライブラリに基づいて,クローリングされたドキュメントと自動生成コードを含むLLM4Graphデータセットを提案する。
  論文  参考訳（メタデータ） (2024-09-29T11:38:45Z)
• LLaGA: Large Language and Graph Assistant [73.71990472543027]
  大規模言語とグラフアシスタント(LLaGA)は、グラフ構造化データの複雑さを扱う革新的なモデルである。 LLaGAは汎用性、一般化性、解釈性に優れており、異なるデータセットやタスク間で一貫して動作する。 実験の結果,LLaGAは4つのデータセットと3つのタスクに1つの単一モデルを用いて優れた性能を提供することがわかった。
  論文  参考訳（メタデータ） (2024-02-13T02:03:26Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。