論文の概要: Interpretable and Verifiable Hardware Generation with LLM-Driven Stepwise Refinement

• arxiv url: http://arxiv.org/abs/2606.19387v1
• Date: Tue, 16 Jun 2026 01:28:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-19 18:23:39.433775
• Title: Interpretable and Verifiable Hardware Generation with LLM-Driven Stepwise Refinement
• Title（参考訳）: LLM駆動のステップワイドリファインメントによる解釈可能・検証可能なハードウェア生成
• Authors: You Li, Samuel Mandell, David Z. Pan,
• Abstract要約: 大規模言語モデル(LLM)は、ソフトウェア開発で顕著な成功を収めた。 幻覚の影響を受けやすいため、微妙な意味的・論理的な誤りを起こすことができる。 本稿では,LCMの創造性と幅広い知識と,形式的手法の説明可能性と数学的厳密さを組み合わせたハードウェア生成フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 6.8152454268325835
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language models (LLMs) have achieved remarkable success in software development. However, they are susceptible to hallucinations, meaning that they can introduce subtle semantic and logical errors. Due to the high stakes in chip design and manufacturing, hardware engineers are still reluctant to rely on LLMs for register-transfer level (RTL) generation. In this paper, we propose a hardware generation framework that combines the creativity and broad knowledge of LLMs with the explainability and mathematical rigor of formal methods. Specifically, we devise a set of transformation rules that cover various design decisions and hardware features. By iteratively applying these rules, an LLM agent can convert a design specification into an RTL program with guaranteed correctness. Experimental results demonstrate the effectiveness and efficiency of the framework.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、ソフトウェア開発で顕著な成功を収めた。 しかし、それらは幻覚の影響を受けやすいため、微妙な意味的・論理的な誤りをもたらすことができる。 チップの設計と製造に高い関心があるため、ハードウェア技術者は依然としてレジスタ・トランスファー・レベル(RTL)の生成にLLMに頼ることに消極的である。 本稿では, LLMの創造性と幅広い知識と, 形式的手法の説明可能性と数学的厳密さを組み合わせたハードウェア生成フレームワークを提案する。 具体的には、さまざまな設計決定とハードウェア機能をカバーする一連の変換ルールを考案する。 これらの規則を反復的に適用することにより、LLMエージェントは設計仕様を正確性を保証するRTLプログラムに変換することができる。 実験の結果,フレームワークの有効性と有効性を示した。

関連論文リスト

• LLM4RTL: Tool-Assisted LLM for RTL Generation [5.338291061810534]
  大規模言語モデル(LLM)は、ソフトウェア工学、コード生成、ツール、システムにおいて、目覚ましい進歩を後押ししてきた。 本稿では,現状の商用LCMモデルの階層構造を用いて,現在の公開データセットを更新する,審査更新更新チェック'パイプラインを提案する。 我々の実験はルールベースの推論と論理学におけるLCMのいくつかの共通弱点を同定し、その結果、RTL符号生成におけるLLMの弱点を明らかにした。
  論文  参考訳（メタデータ） (2026-06-13T23:10:40Z)
• A Roadmap for Tamed Interactions with Large Language Models [5.133046277847902]
  大規模言語モデル(LLM)によって駆動されるAI駆動ソフトウェアが誕生するのを私たちは目撃しています。 これらのLSMの応用は印象的であり、数え切れないほどに思えるが、その堅牢性は採用を妨げる。 LSLでは, LLM出力の制御, 相互作用の構造の強制, 検証, 検証, 説明可能性の両面を統合することで, 上記の限界に対処することを目指している。
  論文  参考訳（メタデータ） (2025-10-28T13:46:07Z)
• MAHL: Multi-Agent LLM-Guided Hierarchical Chiplet Design with Adaptive Debugging [30.305211001929496]
  大きな言語モデル(LLM)は2.5Dに拡張することを約束している。 LLMはフラットな設計、高い検証コスト、不正確なパラメータ最適化といった課題に直面している。 階層型LLMベースのチップレット設計生成フレームワークであるMAHLを提案する。
  論文  参考訳（メタデータ） (2025-08-08T05:47:31Z)
• 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)
• HADES: Hardware Accelerated Decoding for Efficient Speculation in Large Language Models [1.2180334969164464]
  大規模言語モデル(LLM)は、人間に似たテキストを理解し、生成することで自然言語処理に革命をもたらした。 本稿では,LLMの性能とエネルギー効率を向上させる新しい手法であるハードウェア高速化復号法(HADES)を提案する。
  論文  参考訳（メタデータ） (2024-12-27T21:19:01Z)
• Renaissance of Literate Programming in the Era of LLMs: Enhancing LLM-Based Code Generation in Large-Scale Projects [7.927743991760644]
  大規模言語モデル(LLM)は、コード生成、理解、修復を通じてプログラマの効率向上を支援する。 大規模プロジェクトへの彼らの適用は、複雑な相互依存と近代の広範な規模のために、依然として困難である。 本研究では,ILP(Interoperable LP)の概念を導入し,LLMによる小規模文書と大規模プロジェクトの開発を促進する。
  論文  参考訳（メタデータ） (2024-12-25T12:02:46Z)
• HiVeGen -- Hierarchical LLM-based Verilog Generation for Scalable Chip Design [24.46771930751068]
  HiVeGenは階層的なVerilog生成フレームワークで、生成タスクを階層的なサブモジュールに分解する。 自動設計空間探索(DSE)を階層対応のプロンプト生成に変換し、コードの再利用を強化するために重みに基づく検索を導入する。 エラー補正コストを低減し、生成した設計の質を大幅に向上させる。
  論文  参考訳（メタデータ） (2024-12-06T19:37:53Z)
• Knowledge Fusion of Large Language Models [73.28202188100646]
  本稿では,大規模言語モデル(LLM)における知識融合の概念を紹介する。 我々は、それらの集合的知識と独特な強みを外部化し、それによってターゲットモデルの能力が、どのソースLLMよりも高められるようにします。 この結果から,LLMの融合により,推論やコモンセンス,コード生成など,対象モデルの性能が向上することが確認された。
  論文  参考訳（メタデータ） (2024-01-19T05:02:46Z)
• If LLM Is the Wizard, Then Code Is the Wand: A Survey on How Code Empowers Large Language Models to Serve as Intelligent Agents [81.60906807941188]
  大型言語モデル(LLM)は、自然言語と形式言語(コード)の組み合わせに基づいて訓練される コードは、標準構文、論理一貫性、抽象化、モジュール性を備えた高レベルの目標を実行可能なステップに変換する。
  論文  参考訳（メタデータ） (2024-01-01T16:51:20Z)

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。