論文の概要: EstRTL: Functional Estimation Guided RTL Code Generation

• arxiv url: http://arxiv.org/abs/2606.09867v1
• Date: Mon, 01 Jun 2026 03:07:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-10 15:40:57.973728
• Title: EstRTL: Functional Estimation Guided RTL Code Generation
• Title（参考訳）: EstRTL: 関数推定誘導RTLコード生成
• Authors: Qi Xiong, Renzhi Chen, Bowei Wang, Yuqing Xiong, Libo Huang, Lei Wang,
• Abstract要約: EstRTLは静的関数スコア推定に基づくRTLコード生成のための協調エージェントフレームワークである。 EstRTL はジェネリック LLM による RTL コード生成の精度を 3.2%-9.0% 向上させる。
• 参考スコア（独自算出の注目度）: 11.81361680232628
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Optimizing register transfer level (RTL) code is of vital importance in hardware design. Large language models (LLMs) provide new methods for the automatic generation and optimization of RTL code, offering the potential to significantly accelerate the design process and reduce human effort. However, existing methods for generating RTL code often focus on model fine-tuning and the use of various expansion techniques to enhance the RTL code generation capabilities, lacking attention to the functional correctness. Ensuring that the generated RTL code not only compiles successfully but also behaves as intended in real hardware implementations remains a critical challenge. To address this issue, we propose EstRTL, an LLM-powered collaborative agent framework for RTL code generation based on static functional score estimation. EstRTL operates a three-stage paradigm: Generation, Estimation and Correction. During the stages, the functional estimation agent statically evaluates the generated code based on score and assessment results, and decides whether to output the code directly, return it for regeneration, or forward it to the code correction agent. This framework can be applied to various LLMs that designed for RTL code generation, further enhancing the correctness of the generated code. By providing quantitative scores and human-readable requirements comparisons, it improves the transparency of AI-assisted RTL code generation. Experiments show that EstRTL significantly improves the correctness of RTL code generation by generic LLM by 3.2\%-9.0\%, demonstrating the practical value of our system. The codes and experimental results are open-sourced at link: https://anonymous.4open.science/status/EstRTL-E200/.
• Abstract（参考訳）: レジスタ転送レベル(RTL)の最適化はハードウェア設計において極めて重要である。 大規模言語モデル(LLM)は、RTLコードの自動生成と最適化のための新しい方法を提供し、設計プロセスを大幅に加速し、人的労力を減らすことができる。 しかし、既存のRTLコード生成方法は、モデル微調整と様々な拡張技術を用いてRTLコード生成機能を強化し、機能的正しさに注意を払っていないことが多い。 生成されたRTLコードが正常にコンパイルされるだけでなく、実際のハードウェア実装で意図された動作も保証することは、依然として重要な課題である。 この問題に対処するために,静的関数スコア推定に基づくRTLコード生成のためのLLMを用いた協調エージェントフレームワークであるEstRTLを提案する。 EstRTLは、生成、推定、補正という3段階のパラダイムを運用している。 この段階で、関数推定エージェントは、スコアと評価結果に基づいて生成されたコードを静的に評価し、コードを直接出力するか、再生のために返却するか、またはコード修正エージェントに転送するかを決定する。 このフレームワークは RTL コード生成用に設計された様々な LLM に適用でき、生成したコードの正確性をさらに高めることができる。 定量的スコアと人間可読な要件比較を提供することで、AIによるRTLコード生成の透明性を向上させる。 実験の結果、EstRTLはジェネリックLLMによるRTLコード生成の精度を3.2\%-9.0\%向上させ、システムの実用的価値を実証した。 コードと実験結果はリンクでオープンソース化されている。 https://anonymous.4open.science/status/EstRTL-E200/。

関連論文リスト

• CASS-RTL: Correctness-Aware Subspace Steering for RTL Generation with LLMs [0.0]
  本研究は,LCMの正当性を考慮したコンポーネントの発見と活用を目的とした,一級フレームワークCASS-RTLを提案する。 We observed 10%-20% improve in pass@1/5/10 accuracy on VerilogEval and 5% improve on CVDP。
  論文  参考訳（メタデータ） (2026-06-04T04:02:51Z)
• ChipSeek-R1: Generating Human-Surpassing RTL with LLM via Hierarchical Reward-Driven Reinforcement Learning [32.11086992218369]
  ChipSeek-R1は、大規模な言語モデルのための階層的な報酬駆動強化学習フレームワークである。 関数的正当性とPPA最適化の両方のRTLコードを生成する。 RTLLMのベンチマークでは、ChipSeek-R1はオリジナルの人間の書いたコードのPPAメトリクスを超える27のRTL設計を作成した。
  論文  参考訳（メタデータ） (2025-07-07T08:08:20Z)
• PRO-V: An Efficient Program Generation Multi-Agent System for Automatic RTL Verification [6.983135183126461]
  Pro-Vは、堅牢なRTL検証のためのプログラム生成マルチエージェントシステムである。 生成したテストベンチの正しさを高めるため、効率的なn個の反復サンプリング戦略が組み込まれている。 Pro-Vは、黄金のRTL実装では87.17%、RTL変異では76.28%の精度で検証されている。
  論文  参考訳（メタデータ） (2025-06-13T20:06:34Z)
• 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)
• ExeCoder: Empowering Large Language Models with Executability Representation for Code Translation [57.604506522287814]
  既存の大きな言語モデル(LLM)は、事前トレーニング中にのみコードのコンテキスト意味を学習する。 機能的セマンティクスや構文構造,変数依存性といった実行可能性表現を活用するために,ExeCoderを提案する。 ExeCoderは、既存のオープンソースコードLLMを10.88%以上、38.78%以上、27.44%以上、42.97%以上という、2つのメトリクスで、最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-01-30T16:18:52Z)
• EDA-Aware RTL Generation with Large Language Models [0.7831852829409273]
  LLM(Large Language Models)は、RTLコードを生成するために人気が高まっている。 ゼロショット設定でエラーのないRTLコードを生成することは、最先端のLLMでも非常に難しい。 本稿では,構文と機能的エラーの反復的修正によるRTLコード生成の高速化を目的とした,自己検証型LLM非依存型エージェントフレームワークであるAIvril2を紹介する。
  論文  参考訳（メタデータ） (2024-11-21T00:37:51Z)
• OriGen:Enhancing RTL Code Generation with Code-to-Code Augmentation and Self-Reflection [54.775409528658486]
  OriGenは、セルフリフレクション機能と新しいデータセット拡張方法論を組み込んだ、完全なオープンソースフレームワークである。 このアプローチでは,オープンソースのRTLコードデータセットの品質向上のために,コード-コード拡張技術を採用している。
  論文  参考訳（メタデータ） (2024-07-23T07:22:25Z)
• 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)
• 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。