Fugu-MT 論文翻訳(概要): UniRTL: Unifying Code and Graph for Robust RTL Representation Learning

論文の概要: UniRTL: Unifying Code and Graph for Robust RTL Representation Learning

arxiv url: http://arxiv.org/abs/2605.31040v1
Date: Fri, 29 May 2026 09:18:23 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-01 20:56:50.496867
Title: UniRTL: Unifying Code and Graph for Robust RTL Representation Learning
Title（参考訳）: UniRTL:ロバストRTL表現学習のためのコードとグラフの統合
Abstract要約: コードとCDFGを併用して統一的なRTL表現を学習するマルチモーダル事前学習フレームワークUniRTLを提案する。 UniRTLは、ハードウェア設計の自動化を促進するための、より堅牢で強力な基盤として確立された。
参考スコア（独自算出の注目度）: 25.37890373797555
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Developing effective representations for register transfer level (RTL) designs is crucial for accelerating the hardware design workflow. Existing approaches, however, typically rely on a single data modality, either the RTL code or its associated graph-based representation, limiting the expressiveness and generalization ability of the learned representations. For RTL, the control data flow graph (CDFG) offers a comprehensive structural representation that preserves complete information, while the code modality explicitly encodes semantic and functional information. We argue that integrating these complementary modalities is essential for a thorough understanding of RTL designs. To this end, we propose UniRTL, a multimodal pretraining framework that learns unified RTL representations by jointly leveraging code and CDFG. UniRTL achieves fine-grained alignment between code and graph through mutual masked modeling and employs a hierarchical training strategy that incorporates a pretrained graph-aware tokenizer and staged alignment of text (i.e., functional summary) and code prior to graph integration. We evaluate UniRTL on two downstream tasks, performance prediction and code retrieval, under multiple settings. Experimental results show that UniRTL consistently outperforms prior methods, establishing it as a more robust and powerful foundation for advancing hardware design automation.
Abstract（参考訳）: レジスタ転送レベル(RTL)設計のための効果的な表現を開発することは、ハードウェア設計ワークフローの高速化に不可欠である。しかし、既存のアプローチは、通常、学習された表現の表現力と一般化能力を制限する、RTLコードまたはそれに関連するグラフベースの表現という、単一のデータモダリティに依存している。 RTLでは、制御データフローグラフ(CDFG)が完全な情報を保存する包括的な構造表現を提供し、コードモダリティは意味と機能情報を明示的にエンコードする。これらの相補的モダリティを統合することは、RTL設計の徹底的な理解に不可欠である。この目的のために,コードとCDFGを併用して統一RTL表現を学習するマルチモーダル事前学習フレームワークUniRTLを提案する。 UniRTLは、相互マスク付きモデリングにより、コードとグラフ間の微粒なアライメントを実現し、事前訓練されたグラフ認識トークン化器と、グラフ統合前のテキストとコードの段階的なアライメントを含む階層的なトレーニング戦略を採用している。我々は,UniRTLを2つの下流タスク,性能予測とコード検索で複数の設定で評価する。実験の結果、UniRTLは従来手法より一貫して優れており、ハードウェア設計の自動化を促進するためのより堅牢で強力な基盤として確立されている。

関連論文リスト

Inference-Time Graph Engineering for Multi-Agent LLM Workflows [51.56038180639833]
ReActNetは、クエリとロール特化エージェントのセットを一連の有向通信グラフにコンパイルする、トレーニング不要のフレームワークである。 ReActNetは、競争的推論コストを維持しつつ、固定トポロジと学習トポロジのベースラインを一貫して改善することを示す。
論文参考訳（メタデータ） (2026-09-04T23:32:11Z)
Semantic Generative Tuning for Unified Multimodal Models [62.18894352635965]
統一マルチモーダルモデル(UMM)は、単一のアーキテクチャ内で視覚的理解と視覚的生成を統合する。訓練パラダイムは独立してテキスト信号を通して理解を最適化する密集したピクセルの目的を通して生成する本研究は,UMMの分離を橋渡しするための生成プロキシとして階層的視覚タスクを定式化する,生成後学習に関する最初の体系的な研究である。
論文参考訳（メタデータ） (2026-05-18T17:46:46Z)
GraphLoRA: Structure-Aware Low-Rank Adaptation for Large Language Model Recommendation [15.664889244642033]
本稿では,非依存から構造認識への適応を一般化する新しいフレームワークを提案する。 GraphLoRAは、ローランク適応経路内にトレーニング可能なグラフメッセージパッシングネットワークを組み込み、構造信号がパラメータ空間を伝播することを可能にする。
論文参考訳（メタデータ） (2026-04-20T07:48:41Z)
VeriGraphi: A Multi-Agent Framework of Hierarchical RTL Generation for Large Hardware Designs [5.354071922171165]
本稿では,RTL生成パイプラインを駆動するアーキテクチャ基板として,仕様記述型知識グラフを導入するフレームワークであるVeriGraphiを紹介する。 VeriGraphi は RISC-V に対する人間の介入を最小限に抑え, 信頼性の高い階層型 RTL 生成を可能にする。
論文参考訳（メタデータ） (2026-04-16T02:30:57Z)
OmniDiagram: Advancing Unified Diagram Code Generation via Visual Interrogation Reward [8.227370271724162]
ビジュアル・インターロゲーション・エフェクト・オール(textscViva)という新しい視覚フィードバック戦略を導入する。 textscVivaは、生成的アプローチを通じて描画された図形の視覚構造に報酬を与える。最初の大規模図形コード生成データセットであるM3$2$Diagramを構築した。
論文参考訳（メタデータ） (2026-04-07T07:10:24Z)
CIR-CoT: Towards Interpretable Composed Image Retrieval via End-to-End Chain-of-Thought Reasoning [93.05917922306196]
Composed Image Retrieval (CIR) は、参照画像と修正テキストから対象画像を見つけることを目的としている。 CIR-CoTは、明示的なChain-of-Thought (CoT)推論を統合するために設計された最初のエンドツーエンド検索指向MLLMである。
論文参考訳（メタデータ） (2025-10-09T09:41:45Z)
GILT: An LLM-Free, Tuning-Free Graph Foundational Model for In-Context Learning [50.40400074353263]
グラフニューラルネットワーク(GNN)は、リレーショナルデータを先行する強力なツールであるが、しばしば目に見えないグラフに一般化するのに苦労する。 textbfGraph textbfIn-context textbfL textbfTransformer (GILT)を導入する。
論文参考訳（メタデータ） (2025-10-06T08:09:15Z)
RTL++: Graph-enhanced LLM for RTL Code Generation [0.0]
従来のレジスタ転送レベル (RTL) の設計手法は手作業で、時間がかかり、エラーを起こしやすい。オープンソースモデルは代替手段を提供するが、品質や正確性に欠けることが多い。本稿では RTL コード生成のための LLM 支援手法 RTL++ を提案する。
論文参考訳（メタデータ） (2025-05-11T00:17:26Z)
Compile Scene Graphs with Reinforcement Learning [69.36723767339001]
次世代予測は大規模言語モデル(LLM)の訓練の基本原理である本稿では,マルチモーダルLLM(M-LLM)であるR1-SGGを紹介する。私たちは、Hard Recall、Hard Recall+Relax、Soft Recallの3つのリコールベースのバリエーションを含む、グラフ中心の報酬セットを設計します。
論文参考訳（メタデータ） (2025-04-18T10:46:22Z)
RTLRepoCoder: Repository-Level RTL Code Completion through the Combination of Fine-Tuning and Retrieval Augmentation [6.428086269916113]
RTLRepoCoderは,レポジトリレベルのVerilogコード補完のために,特定の微調整および検索型拡張生成(RAG)を組み込んだ画期的なソリューションである。提案手法は,GPT-4 および高度なドメイン固有 LLM の編集類似性および実行一致率を大幅に上回る,公開ベンチマークにおける最先端性能を実現する。
論文参考訳（メタデータ） (2025-04-11T09:04:50Z)
Unifying Graph Contrastive Learning with Flexible Contextual Scopes [57.86762576319638]
フレキシブルコンテキストスコープを用いたグラフコントラスト学習(略してUGCL)という自己教師型学習手法を提案する。本アルゴリズムは,隣接行列のパワーを制御し,コンテキストスコープによるフレキシブルな文脈表現を構築する。局所的スコープと文脈的スコープの両方の表現に基づいて、distLはグラフ表現学習のための非常に単純な対照的な損失関数を最適化する。
論文参考訳（メタデータ） (2022-10-17T07:16:17Z)

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。