Fugu-MT 論文翻訳(概要): LLM-based Behaviour Driven Development for Hardware Design

論文の概要: LLM-based Behaviour Driven Development for Hardware Design

arxiv url: http://arxiv.org/abs/2512.17814v2
Date: Tue, 23 Dec 2025 08:00:41 GMT
ステータス: 翻訳完了
システム内更新日: 2025-12-24 15:12:21.12341
Title: LLM-based Behaviour Driven Development for Hardware Design
Title（参考訳）: ハードウェア設計のためのLCMに基づく行動駆動開発
Authors: Rolf Drechsler, Qian Liu,
Abstract要約: 振る舞い駆動開発(BDD)(サイト・英語)は、ソフトウェア工学において有効であることが証明されているが、その実践的利用は依然として限られている。大規模言語モデル(LLM)の最近の進歩は、このステップを自動化する新しい機会を提供する。
参考スコア（独自算出の注目度）: 7.860405166035041
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Test and verification are essential activities in hardware and system design, but their complexity grows significantly with increasing system sizes. While Behavior Driven Development (BDD) has proven effective in software engineering, it is not yet well established in hardware design, and its practical use remains limited. One contributing factor is the manual effort required to derive precise behavioral scenarios from textual specifications. Recent advances in Large Language Models (LLMs) offer new opportunities to automate this step. In this paper, we investigate the use of LLM-based techniques to support BDD in the context of hardware design.
Abstract（参考訳）: テストと検証はハードウェアとシステム設計において不可欠な活動であるが、その複雑さはシステムサイズの増加とともに著しく増大する。振る舞い駆動開発(BDD)はソフトウェア工学において有効であることが証明されているが、ハードウェア設計においてはまだ十分に確立されておらず、実用性は限られている。貢献する要因の1つは、テキスト仕様から正確な振る舞いシナリオを導き出すのに必要な手作業である。大規模言語モデル(LLM)の最近の進歩は、このステップを自動化する新しい機会を提供する。本稿では,ハードウェア設計の文脈でBDDをサポートするLLM技術について検討する。

関連論文リスト

Hey AI, Generate Me a Hardware Code! Agentic AI-based Hardware Design & Verification [2.8236458753814233]
本稿では,エージェントAIを用いたハードウェア設計検証手法を提案する。エージェントAIベースのアプローチは、Humain-in-the-Loop(HITL)介入と連携して、よりダイナミックで反復的で自己反映的なプロセスに従事するAIエージェントに権限を与える。この手法は5つのオープンソース設計で評価され、95%以上のカバレッジを達成し、検証時間を短縮する。
論文参考訳（メタデータ） (2025-07-03T14:20:57Z)
Machine-Learning-Assisted Photonic Device Development: A Multiscale Approach from Theory to Characterization [80.82828320306464]
フォトニックデバイス開発(PDD)は、様々な波長、スケール、アプリケーションにまたがる光を制御する新しいデバイスの設計と実装において大きな成功を収めた。 PDDは、設計パラメータからデバイス動作を導出する、デバイス性能をシミュレーションする、最適なデバイスを製造する、デバイス性能を測定する、という5段階の反復的プロセスである。 PDDは、大規模な最適化の展望、構造的または光学的特徴の不確実性、堅牢な製造プロセスの実装の困難に悩まされている。本稿では,機械学習支援型PDDの実現に向けて,これらの手法の総合的な展望を示す。
論文参考訳（メタデータ） (2025-06-24T23:32:54Z)
ML For Hardware Design Interpretability: Challenges and Opportunities [3.3540424603831323]
本稿では,特にRTL-to-NLタスクにおける設計の解釈可能性が,ハードウェア設計プロセスの効率に与える影響について検討する。我々は,MLを活用したRTL-to-NLタスクの自動化とハードウェア設計の解釈性の向上について,今後の研究を導くことを目的としている。
論文参考訳（メタデータ） (2025-04-11T03:47:51Z)
Exploring Code Language Models for Automated HLS-based Hardware Generation: Benchmark, Infrastructure and Analysis [14.458529723566379]
LLM(Large Language Model)は、PythonやC++などのプログラミング言語に使用される。本稿では,LLMを利用してHLS(High-Level Synthesis)ベースのハードウェア設計を行う。
論文参考訳（メタデータ） (2025-02-19T17:53:59Z)
Specifications: The missing link to making the development of LLM systems an engineering discipline [65.10077876035417]
我々は、構造化出力、プロセスの監督、テストタイム計算など、これまでの分野の進歩について論じる。モジュール型かつ信頼性の高いLCMシステムの開発に向けた研究の今後の方向性について概説する。
論文参考訳（メタデータ） (2024-11-25T07:48:31Z)
MG-Verilog: Multi-grained Dataset Towards Enhanced LLM-assisted Verilog Generation [16.836658183451764]
大規模言語モデル(LLM)は、ドメイン固有の膨大なデータをカプセル化することによって、ハードウェア設計プロセスの合理化を約束している。既存の利用可能なハードウェアデータセットは、サイズ、複雑さ、詳細に制限されることが多い。本稿では,多段階の詳細な記述と対応するコードサンプルを包含したMulti-Grained-Verilog(MG-Verilog)データセットを提案する。
論文参考訳（メタデータ） (2024-07-02T03:21:24Z)
LLM4SecHW: Leveraging Domain Specific Large Language Model for Hardware Debugging [4.297043877989406]
本稿では,ドメイン固有大言語モデル(LLM)を利用したハードウェアデバッグのための新しいフレームワークを提案する。我々は、オープンソースのハードウェア設計欠陥のデータセットとその修正手順をコンパイルするためのユニークなアプローチを提案する。 LLM4SecHWは、このデータセットに基づいて中規模のLCMを微調整し、ハードウェア設計におけるバグの特定と修正を可能にする。
論文参考訳（メタデータ） (2024-01-28T19:45:25Z)
LLM4EDA: Emerging Progress in Large Language Models for Electronic Design Automation [74.7163199054881]
大規模言語モデル(LLM)は、文脈理解、論理推論、回答生成においてその能力を実証している。本稿では,EDA分野におけるLLMの応用に関する系統的研究を行う。論理合成,物理設計,マルチモーダル特徴抽出,回路のアライメントにLLMを適用することに焦点を当て,今後の研究の方向性を強調した。
論文参考訳（メタデータ） (2023-12-28T15:09:14Z)
Technology Readiness Levels for Machine Learning Systems [107.56979560568232]
機械学習システムの開発とデプロイは、現代のツールで簡単に実行できますが、プロセスは一般的に急ぎ、エンドツーエンドです。私たちは、機械学習の開発と展開のための実証済みのシステムエンジニアリングアプローチを開発しました。当社の「機械学習技術準備レベル」フレームワークは、堅牢で信頼性が高く、責任あるシステムを確保するための原則的なプロセスを定義します。
論文参考訳（メタデータ） (2021-01-11T15:54:48Z)
Technology Readiness Levels for AI & ML [79.22051549519989]
機械学習システムの開発は、現代的なツールで容易に実行できるが、プロセスは通常急いで、エンドツーエンドで実行される。エンジニアリングシステムは、高品質で信頼性の高い結果の開発を効率化するために、明確に定義されたプロセスとテスト標準に従います。我々は、機械学習の開発と展開のための実証されたシステムエンジニアリングアプローチを提案する。
論文参考訳（メタデータ） (2020-06-21T17:14:34Z)

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。