論文の概要: Independent Data-Integrity Verification for LLM-Driven Functional Coverage Closure in Hardware Design

• arxiv url: http://arxiv.org/abs/2610.21570v1
• Date: Thu, 15 Oct 2026 09:24:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-16 19:13:16.304784
• Title: Independent Data-Integrity Verification for LLM-Driven Functional Coverage Closure in Hardware Design
• Title（参考訳）: ハードウェア設計におけるLCM駆動機能被覆閉鎖のための独立データ不等式検証
• Abstract要約: エージェントは、機能カバレッジをクローズするテストを書くことができるが、カバレッジは、状態が到達したことだけを示し、その中のデータが正しいことを示さない。 LLMループに適用する小さなカバレッジ閉鎖剤について述べる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: LLM agents can write directed tests that close functional coverage, but coverage only shows that a state was reached, not that the data on the way there was correct. This is a long-known point in verification and we do not claim it as new. We describe a small coverage-closure agent that applies it to an LLM loop: coverage is read from the report that the simulation itself exports (cocotb-coverage YAML) and never taken from the model's account, and data integrity is checked by scoreboards that are separate from the model. On three architecturally distinct RTL designs (an asynchronous FIFO, a UART transmitter and an AHB2APB bridge) the agent raised coverage from 91.7%, 88.9% and 67.4% to 100% within its 8-iteration budget in every logged run, using one design-agnostic agent. A reactive scoreboard monitor attached to the FIFO's base testbench also found a clock-domain-crossing bug in the author's own stimulus code. The monitor is not yet attached to the LLM-generated tests, so their data integrity is not independently checked; one manual check on a single FIFO test is reported as preliminary. We list the weaknesses of this evidence: three designs, no baseline, no ablation, and logged runs that come from several agent checkpoints.
• Abstract（参考訳）: LLMエージェントは、機能カバレッジをクローズする直接テストを書くことができるが、カバレッジは、ある状態が到達したことを示すだけであり、その方向にあるデータが正しいことを示さない。 これは長年の検証の要点であり、私たちはそれを新しいものとは主張していません。 シミュレーション自体がエクスポートする(cocotb-coverage YAML)というレポートからカバレッジを読み出し、モデルから分離したスコアボードでデータの整合性をチェックする。 3つのアーキテクチャ的に異なるRTL設計(非同期FIFO、UART送信機、AHB2APBブリッジ)では、エージェントは1つの設計に依存しないエージェントを使用して、ログ実行毎に8項目の予算で91.7%、88.9%、67.4%から100%の範囲を拡大した。 FIFOのベーステストベンチに取り付けられた反応性スコアボードモニターもまた、著者自身の刺激コードに時計領域横断バグを発見した。 モニターはまだLLM生成テストに添付されていないため、データの完全性は独立してチェックされず、単一のFIFOテストの1つの手動チェックが予備として報告される。 3つの設計、ベースラインなし、アブレーションなし、そしていくつかのエージェントチェックポイントからのログ付き実行です。

関連論文リスト

• SALUS: Automated Auditing of NL-to-SQL Benchmarks through Weak Supervision of Multi-Agent Output [11.568071613299553]
  本稿では,ベンチマーク中のアノテーションエラーを自動的に検出するシステムであるSALUSを提案する。 SALUSは、弱い教師付きエラー検出としてベンチマーク監査を行う。 我々は,BIRDで約37%,Spiderで約27%のアノテーション誤差率を推定した。
  論文  参考訳（メタデータ） (2026-10-04T21:12:58Z)
• Fail Loudly: An Auditable Runtime for Agentic Data Analysis [5.552367153808067]
  我々は、エージェントの分析的選択を検査可能とし、実行フィードバックを通じてそれらのリビジョンをサポートする監査可能なランタイムRADARを提案する。 RADARは3つのコアメカニズムを通じて動作している。まず、エビデンス保存探索モジュールは、ソース位置と観測範囲を保持しながら、タスク関連コンテンツを検索する。 次に、ランタイムは型付き演算子を使用して、エージェントの宣言された入力、操作引数、結果の観察を記録する。 競合が検出されると、ランタイムは操作を拒否するか、診断フィードバックを提供し、エラーが伝播する前にエージェントが選択を修正できる。
  論文  参考訳（メタデータ） (2026-09-26T12:11:39Z)
• The LLM Proposes, the Executive Disposes: A Self-Verifying Agent Instrument that Dissociates Commitment Drift from Binding Drift in Long-Horizon Agents [0.0]
  本稿では,ポストホックではなく構造的検証を行うためのエージェント機器を提案する。 組織ごとの書き込みエラー、レンダリングサイズ、あるいは塩漬けのカナリアエチョフロアが破られた場合、実行はすべて無効になる。 長期のエージェントが苦しむたびに、クリーンでシングル変数の結果が報告される。
  論文  参考訳（メタデータ） (2026-08-04T15:10:37Z)
• Confining Nondeterminism: AI-Driven Research Systems as DBMSs for Reliable, Non-Wasteful, Transparent, and Collaborative Research [Vision] [6.1118660156378075]
  今日のエージェントループは、エージェントを含む内部状態がチェックできないエグゼキュータである、と私たちは主張する。 LLMの内部を見るのではなく、データベースからレッスンを受けます。 プロジェクトは決定論的でバージョン管理されたデータフローエンジン内にあり、LLMはユーザとともに、その計画だけを編集するコンパイラである。
  論文  参考訳（メタデータ） (2026-07-11T23:46:01Z)
• When Agents Commit Too Soon: Diagnosing Premature Commitment in LLM Agents [0.0]
  長い答えのLSMエージェントは静かに失敗する可能性があり、彼らは証拠を早期に読み上げ、残りの期間をその証拠を守るのに費やした。 我々は、表現的コミットメントを、固定された推論ステップにおいて、クロスランな隠れ状態収束として定義する。 ランタイムモニタは、AUROCの隠れ状態から0.97までの不整合軌道を検出する(より厳密なスプリットの下で0.85-0.88)。
  論文  参考訳（メタデータ） (2026-06-22T07:13:13Z)
• DoVer: Intervention-Driven Auto Debugging for LLM Multi-Agent Systems [48.971606069204825]
  DoVerは、大規模言語モデル(LLM)ベースのマルチエージェントシステムのための介入駆動デバッグフレームワークである。 ターゲットの介入を通じて、アクティブな検証によって仮説生成を増強する。 DoVerは失敗試験の18～28%を成功させ、最大16%のマイルストーンを達成し、失敗仮説の30～60%を検証または否定する。
  論文  参考訳（メタデータ） (2025-12-07T09:23:48Z)
• Where LLM Agents Fail and How They can Learn From Failures [62.196870049524364]
  大規模言語モデル(LLM)エージェントは、複雑なマルチステップタスクの解決において有望であることを示す。 単一ルート原因エラーがその後の決定を通じて伝播する、障害のカスケードに対する脆弱性を増幅する。 現在のシステムは、モジュール的で体系的な方法でエージェントエラーを包括的に理解できるフレームワークを欠いている。 AgentErrorTaxonomyは、メモリ、リフレクション、計画、アクション、システムレベルの操作にまたがる障害モードのモジュール分類である。
  論文  参考訳（メタデータ） (2025-09-29T18:20:27Z)
• Get my drift? Catching LLM Task Drift with Activation Deltas [55.75645403965326]
  タスクドリフトは攻撃者がデータを流出させたり、LLMの出力に影響を与えたりすることを可能にする。 そこで, 簡易線形分類器は, 分布外テストセット上で, ほぼ完全なLOC AUCでドリフトを検出することができることを示す。 このアプローチは、プロンプトインジェクション、ジェイルブレイク、悪意のある指示など、目に見えないタスクドメインに対して驚くほどうまく一般化する。
  論文  参考訳（メタデータ） (2024-06-02T16:53:21Z)
• Video-based Person Re-identification without Bells and Whistles [49.51670583977911]
  ビデオベースの人物再識別(Re-ID)は、異なるカメラの下で歩行者を特定するために、ビデオトラッカーとトリミングされたビデオフレームをマッチングすることを目的としている。 従来の方法による不完全な検出と追跡の結果から, 収穫したトラックレットの空間的, 時間的不整合が生じている。 本稿では,深層学習に基づくトラックレットの検出と追跡を適用することで,これらの予期せぬノイズを効果的に低減できる簡易な再検出リンク(DL)モジュールを提案する。
  論文  参考訳（メタデータ） (2021-05-22T10:17:38Z)

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。