論文の概要: Focus Session: LLM4PQC -- An Agentic Framework for Accurate and Efficient Synthesis of PQC Cores

• arxiv url: http://arxiv.org/abs/2602.09919v1
• Date: Tue, 10 Feb 2026 15:53:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-11 20:17:43.661372
• Title: Focus Session: LLM4PQC -- An Agentic Framework for Accurate and Efficient Synthesis of PQC Cores
• Title（参考訳）: フォーカスセッション: LLM4PQC -- PQCコアの高精度かつ効率的な合成のためのエージェントフレームワーク
• Authors: Buddhi Perera, Zeng Wang, Weihua Xiao, Mohammed Nabeel, Ozgur Sinanoglu, Johann Knechtel, Ramesh Karri,
• Abstract要約: ポスト量子暗号(PQC)ハードウェアの設計は複雑で階層的なプロセスである。 主なボトルネックは、PQC参照コードをCから高レベル合成(HLS)仕様に変換することである。 本稿では,高レベルPQC仕様と参照Cコードを合成可能なCコードに合成するエージェントフレームワーク LLM4PQC を提案する。
• 参考スコア（独自算出の注目度）: 12.18204758079849
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The design of post-quantum cryptography (PQC) hardware is a complex and hierarchical process with many challenges. A primary bottleneck is the conversion of PQC reference codes from C to high-level synthesis (HLS) specifications, which requires extensive manual refactoring [1]-[3]. Another bottleneck is the scalability of synthesis for complex PQC primitives, including number theoretic transform (NTT) accelerators and wide memory interfaces. While large language models (LLMs) have shown remarkable results for coding in general-purpose languages like Python, coding for hardware design is more challenging; feedback-driven and agentic integration are key principles of successful state-of-the-art approaches. Here, we propose LLM4PQC, an LLM-based agentic framework that refactors high-level PQC specifications and reference C codes into HLS-ready and synthesizable C code. Our framework generates and verifies the resulting RTL code. For correctness, we leverage a hierarchy of checks, covering fast C compilation and simulation as well as RTL simulation. Case studies on NIST PQC reference designs demonstrate a reduction in manual effort and accelerated design-space exploration compared to traditional flows. Overall, LLM4PQC provides a powerful and efficient pathway for synthesizing complex hardware accelerators.
• Abstract（参考訳）: ポスト量子暗号(PQC)ハードウェアの設計は複雑で階層的なプロセスであり、多くの課題がある。 主要なボトルネックは、Cから高レベル合成(HLS)仕様へのPQC参照コードの変換である。 もう一つのボトルネックは、数値理論変換(NTT)アクセラレータやワイドメモリインタフェースを含む複雑なPQCプリミティブの合成のスケーラビリティである。 大規模言語モデル(LLM)はPythonのような汎用言語でのコーディングにおいて顕著な結果を示しているが、ハードウェア設計のためのコーディングはより困難である。 本稿では,高いレベルのPQC仕様と参照CコードをHLS対応で合成可能なCコードにリファクタリングするLLMベースのエージェントフレームワークであるLLM4PQCを提案する。 我々のフレームワークは、結果のRTLコードを生成し、検証する。 正当性にはチェック階層を利用し、高速なCコンパイルとシミュレーションとRTLシミュレーションを網羅する。 NIST PQC参照設計のケーススタディでは、従来の流れと比較して手作業の削減と空間探索の高速化が示されている。 全体として、LLM4PQCは複雑なハードウェアアクセラレータを合成するための強力で効率的な経路を提供する。

関連論文リスト

• Accelerating Post-Quantum Cryptography via LLM-Driven Hardware-Software Co-Design [4.129225533930966]
  量子後暗号(PQC)は、出現する量子脅威に対するデータ保護に不可欠である。 LLMは、PQCアルゴリズムのFPGAアクセラレータ設計を自動化することで、設計の労力と開発時間を最小化することができる。
  論文  参考訳（メタデータ） (2026-02-10T04:56:08Z)
• ProtocolLLM: RTL Benchmark for SystemVerilog Generation of Communication Protocols [45.66401695351214]
  本稿では,広く使用されているSystemVerilogプロトコルを対象とした最初のベンチマークスイートであるProtocolLLMを紹介する。 我々は,ほとんどのモデルがタイミング制約に従う通信プロトコルのSystemVerilogコードを生成するのに失敗したことを観察する。
  論文  参考訳（メタデータ） (2025-06-09T17:10:47Z)
• SymRTLO: Enhancing RTL Code Optimization with LLMs and Neuron-Inspired Symbolic Reasoning [30.938876549335067]
  本稿では,新しいニューロン-シンボリックRTL最適化フレームワークであるSymRTLOを提案する。 有限状態機械(FSM)論理の解析と最適化のための記号モジュールを提案する。 Synopsys Design Compiler と Yosys による RTL-Rewriter ベンチマークの実験では、SymRTLO は 43.9% と 62.5% と 51.1% に向上している。
  論文  参考訳（メタデータ） (2025-04-14T16:15:55Z)
• 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)
• LLMC: Benchmarking Large Language Model Quantization with a Versatile Compression Toolkit [55.73370804397226]
  鍵圧縮技術である量子化は、大きな言語モデルを圧縮し、加速することにより、これらの要求を効果的に軽減することができる。 本稿では,プラグアンドプレイ圧縮ツールキットであるLLMCについて,量子化の影響を公平かつ体系的に検討する。 この汎用ツールキットによって、我々のベンチマークはキャリブレーションデータ、アルゴリズム(3つの戦略)、データフォーマットの3つの重要な側面をカバーしています。
  論文  参考訳（メタデータ） (2024-05-09T11:49:05Z)
• StepCoder: Improve Code Generation with Reinforcement Learning from Compiler Feedback [58.20547418182074]
  2つの主要コンポーネントからなるコード生成の新しいフレームワークであるStepCoderを紹介します。 CCCSは、長いシーケンスのコード生成タスクをCurriculum of Code Completion Subtaskに分割することで、探索課題に対処する。 FGOは、未実行のコードセグメントをマスクすることでのみモデルを最適化し、Fine-Grained Optimizationを提供する。 提案手法は,出力空間を探索し,対応するベンチマークにおいて最先端の手法より優れた性能を発揮する。
  論文  参考訳（メタデータ） (2024-02-02T13:14:31Z)
• QECC-Synth: A Layout Synthesizer for Quantum Error Correction Codes on Sparse Hardware Architectures [14.785334649858498]
  量子誤り訂正(QEC)符号は、フォールトトレラント量子コンピューティングを実現するために不可欠である。 現在のアプローチでは、QEC回路の特徴を過小評価するか、特定のコードやアーキテクチャに合わせた手動設計に重点を置いている。 これらの課題に対処するQECコード実装のための自動コンパイラであるQECC-Synthを紹介する。
  論文  参考訳（メタデータ） (2023-08-12T01:09:20Z)
• CodeRL: Mastering Code Generation through Pretrained Models and Deep Reinforcement Learning [92.36705236706678]
  CodeRLは、事前訓練されたLMと深層強化学習によるプログラム合成タスクのための新しいフレームワークである。 推論中、我々は重要なサンプリング戦略を持つ新しい生成手順を導入する。 モデルバックボーンについては,CodeT5のエンコーダデコーダアーキテクチャを拡張し,学習目標を拡張した。
  論文  参考訳（メタデータ） (2022-07-05T02:42:15Z)

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。