論文の概要: SeqFeed: Improving Agentic RTL Code Generation with Sequential Behavior Feedback

• arxiv url: http://arxiv.org/abs/2608.16934v1
• Date: Sun, 09 Aug 2026 15:15:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-19 21:40:53.067689
• Title: SeqFeed: Improving Agentic RTL Code Generation with Sequential Behavior Feedback
• Title（参考訳）: SeqFeed: シークエンシャルな振る舞いフィードバックによるエージェントRTLコード生成の改善
• Authors: Yuxin Du, Juxin Niu, Tao Hu, Xi Wang, Zhe Jiang, Nan Guan,
• Abstract要約: 正しいRTLコードを生成するには、複数のクロックサイクル上で信号がどのように進化し伝播するかを含むシーケンシャルな振る舞いを理解する必要がある。 textitSeqFeed は textitSeQuery と textitSeGraph の2つの補完メカニズムから構成される。
• 参考スコア（独自算出の注目度）: 15.691779408217814
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: RTL code generation is a critical stage in hardware design, and the emergence of agentic systems offers new opportunities to automate this process. To generate correct RTL code, agents must understand sequential behavior, including how signals evolve and propagate over multiple clock cycles. However, effectively conveying such temporal information to agents remains a significant challenge. RTL code does not expose cycle-level signal behavior for a specific execution, whereas full simulation waveforms are too voluminous and noisy for effective LLM analysis. To address these limitations, we study how human engineers reason about sequential behavior and identify three requirements for effective feedback: it should be event-addressable, dependency-traceable, and iteratively-queryable. Guided by these requirements, we propose \textit{SeqFeed}, which comprises two complementary mechanisms: (1) \textit{SeQuery}, an SQL-like waveform query language that enables agents to anchor queries to semantic events and sample signal values at relative time points; and (2) \textit{SeGraph}, a dependency graph that tracks signal propagation across clock cycles. Experimental results across multiple LLMs demonstrate the effectiveness of SeqFeed in improving pass rates. SeQuery and SeGraph are each effective independently and provide complementary benefits when used together.
• Abstract（参考訳）: RTLコード生成はハードウェア設計において重要な段階であり、エージェントシステムの出現は、このプロセスを自動化する新しい機会を提供する。 正しいRTLコードを生成するには、複数のクロックサイクル上で信号がどのように進化し伝播するかを含むシーケンシャルな振る舞いを理解する必要がある。 しかし、このような時間的情報をエージェントに効果的に伝達することは大きな課題である。 RTLコードは、特定の実行のためにサイクルレベルの信号の振る舞いを公開しないが、完全なシミュレーション波形は、効果的にLLM解析を行うには、大きすぎるし、うるさい。 これらの制限に対処するために、人間のエンジニアがシーケンシャルな振る舞いを判断し、効果的なフィードバックのための3つの要件を識別する方法について研究する。 これらの要件に則って,(1) エージェントが相対時間点におけるセマンティックイベントやサンプル信号値にクエリをアンカーできるSQLライクな波形クエリ言語である \textit{SeqFeed} と,(2) クロック周期における信号の伝搬を追跡する依存性グラフである \textit{SeqFeed} を提案する。 複数のLCMをまたいだ実験結果から,SeqFeedのパスレート向上効果が示された。 SeQueryとSeGraphはそれぞれ独立して有効であり、一緒に使う際に相補的な利点を提供する。

関連論文リスト

• TELLER: Non-intrusive Cross-Layer Root-Cause Analysis for LLM Inference [47.62941623025392]
  本稿では,非侵入的でログ対応なLLM推論フレームワークであるTELLERについて紹介する。 TELLERはモデルバイナリを変更することなく、NVTX/CUPTIトレースとサービスログを収集する。 リクエスト毎のコールチェーンツリーを再構築し、ログ行と対応する実行ステップをアライメントする。 これらの表現に加えて、TELLERは数値的候補のローカライゼーションとマルチモーダルな根起因モデルを組み合わせる。
  論文  参考訳（メタデータ） (2026-08-03T09:39:11Z)
• OSDAG: Online Scheduling for Efficient Multi-Robot Collaboration [2.2726869886741383]
  本稿では, LLMに基づくタスク推論と, Directed Acyclic Graph表現と制約対応オンラインスケジューリングを統合した新しいフレームワークOSDAGを提案する。 5つのベンチマークシナリオの実験では、OSDAGは対話ベースの手法に比べて5～15倍高速な推論時間を実現し、シーケンシャルベースラインよりも最大38%のペースパンを削減し、競争的な成功率を維持している。
  論文  参考訳（メタデータ） (2026-06-13T11:22:34Z)
• UniRTL: Unifying Code and Graph for Robust RTL Representation Learning [25.37890373797555]
  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。
  論文  参考訳（メタデータ） (2026-05-29T09:18:23Z)
• Training LLMs for Multi-Step Tool Orchestration with Constrained Data Synthesis and Graduated Rewards [76.49428173793386]
  LLMは、中間出力を伝搬しながら、正しい順序で複数の依存APIを呼び出す必要がある。 既存の環境は、シミュレーションデータを使った単純なターン毎の関数呼び出しとバイナリ報酬に重点を置いている。 まず、実APIレスポンスの大規模キャッシュを背景とした強化学習環境を構築し、有効なマルチステップオーケストレーショントレースをサンプリングするデータ合成パイプラインを実現する。 第二に、正当性を原子の妥当性とオーケストレーションに分解する、段階的な報酬設計を提案する。
  論文  参考訳（メタデータ） (2026-03-25T18:31:39Z)
• Zero-Shot Instruction Following in RL via Structured LTL Representations [54.08661695738909]
  リニア時間論理(LTL)は、強化学習(RL)エージェントのための複雑で構造化されたタスクを特定するための魅力的なフレームワークである。 近年の研究では、命令を有限オートマトンとして解釈し、タスク進捗を監視する高レベルプログラムと見なすことができ、テスト時に任意の命令を実行することのできる1つのジェネラリストポリシーを学習できることが示されている。 本稿では,この欠点に対処する任意の命令に従うために,マルチタスクポリシーを学習するための新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2025-12-02T10:44:51Z)
• Execution Guided Line-by-Line Code Generation [48.996319645671605]
  本稿では,言語モデル生成プロセスにリアルタイム実行信号を組み込んだニューラルコード生成手法を提案する。 提案手法であるExecution-Guided-Free Guidanceは,モデルがコードを生成する際に動的に実行信号を組み込む。 EG-CFGはコード生成アプローチを大幅に改善し、様々なレベルの複雑さで最先端の結果を達成する。
  論文  参考訳（メタデータ） (2025-06-12T17:50:05Z)
• STLCG++: A Masking Approach for Differentiable Signal Temporal Logic Specification [9.039665244779185]
  STLCG++は、STL計算と時間ステップ間のバックプロパゲーションを並列化するマスキングベースのアプローチである。 また、時間間隔境界の微分を可能にするスムース化手法を導入し、勾配に基づく最適化タスクにおけるSTLの適用性を拡大する。
  論文  参考訳（メタデータ） (2025-01-08T00:06:43Z)
• SignalGP-Lite: Event Driven Genetic Programming Library for Large-Scale Artificial Life Applications [62.997667081978825]
  イベント駆動型遺伝的プログラミング表現は、相互作用集約問題における従来の命令的表現よりも優れていることが示されている。 イベント駆動型アプローチは、環境信号に応答してトリガーされるモジュールにゲノムコンテンツを整理する。 SignalGPライブラリは、従来のプログラム合成アプリケーションに対応している。
  論文  参考訳（メタデータ） (2021-08-01T07:20:49Z)

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。