論文の概要: GI-RTL-Fuzz: Grammar-Informed RTL Generation with LLMs for End-to-End Differential Simulator Fuzzing

• arxiv url: http://arxiv.org/abs/2610.38489v1
• Date: Wed, 28 Oct 2026 09:03:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-03 10:36:24.432687
• Title: GI-RTL-Fuzz: Grammar-Informed RTL Generation with LLMs for End-to-End Differential Simulator Fuzzing
• Title（参考訳）: GI-RTL-Fuzz: 終端微分シミュレータファズー用LLMを用いた文法インフォーマルRTL生成
• Abstract要約: GI-RTL-Fuzzは、高品質なRTLテストケースを生成する文法インフォームドファジリングフレームワークである。 我々の重要な革新は、BNF(Backus-Naur Form)文法カバレッジ情報を用いてLLMの生成プロセスを導くことである。 異なるRTLシミュレータに対して差分試験を行うことで,従来不明な不整合のかなりの数を明らかにした。
• 参考スコア（独自算出の注目度）: 1.7994053068937852
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Register-Transfer Level (RTL) simulators are fundamental to modern IC design workflows, yet like any complex software, they frequently contain critical bugs that compromise simulation accuracy. To systematically stress-test these tools, we introduce GI-RTL-Fuzz, a grammar-informed fuzzing framework that leverages Large Language Models (LLMs) to generate high-quality RTL test cases. Our key innovation is guiding the LLM's generation process using Backus-Naur Form (BNF) grammar coverage information, enabling the exploration of complex and rarely-tested language features. By performing differential testing against different RTL simulators, our framework uncovered a significant number of previously unknown inconsistencies in both the linting process and simulation results of major Verilog simulators.
• Abstract（参考訳）: レジスタ・トランスファー・レベル(RTL)シミュレータは現代のIC設計ワークフローの基本であるが、複雑なソフトウェアと同様に、シミュレーションの精度を損なう重要なバグを頻繁に含んでいる。 言語モデル(LLM)を利用して高品質なRTLテストケースを生成する文法インフォームドファジリングフレームワークであるGI-RTL-Fuzzを導入する。 我々の重要な革新は、Backus-Naur Form (BNF) の文法カバレッジ情報を用いてLLMの生成プロセスを導くことで、複雑で稀にテストされる言語機能の探索を可能にします。 異なるRTLシミュレータに対して差分試験を行うことにより,本フレームワークは,Lintingプロセスと主要なVerilogシミュレータのシミュレーション結果の両方において,これまで不明な不整合を多数明らかにした。

関連論文リスト

• The Imitation Game: When LLMs Learn to Reason Like Programs via Code-Centric Reasoning Data Synthesis [50.473217152006875]
  MIMICは、データ合成を推論するための厳密な媒体として実行可能なコードを活用するフレームワークである。 MIMICは、ナラティブ融合、コード誘導テスト合成、動的コードインスツルメンテーションを通じて、アルゴリズムを検証可能な推論軌道に変換する。 提案手法は, 一般的な推論, 複雑な数学的ベンチマーク, きめ細かい決定論的タスクにおいて, 精度を著しく向上させる。
  論文  参考訳（メタデータ） (2026-09-13T17:04:16Z)
• Simulation Code Generation for Fluid Systems using Large Language Models: Benchmarking Models and Prompting Strategies [0.8983000676504388]
  大規模言語モデル(LLM)は、自然言語仕様から構文的に正しいコードを生成する強力な能力を示している。 本研究では, LLMを用いて流体系モデルの中立グラフ表現を自動的に実行可能コードに変換する方法について検討する。
  論文  参考訳（メタデータ） (2026-07-31T13:09:00Z)
• How LLMs Fail and Generalize in RTL Coding for Hardware Design? [56.361436215029045]
  我々は,認知理論に触発された問題解決性に基づく新しい誤り分類法を導入する。 我々の分類学は、障害を構文、意味、解決可能な機能、解決不可能な機能タイプに分類する。
  論文  参考訳（メタデータ） (2026-04-26T14:34:49Z)
• LLM-FSM: Scaling Large Language Models for Finite-State Reasoning in RTL Code Generation [3.4714122723537333]
  LLM-FSMは,大規模言語モデル (LLM) が有限状態マシン (FSM) の動作をどの程度回復できるかを評価するベンチマークである。 手動で構築された例に依存する以前の仕様-RTLベンチマークとは異なり、LLM-FSMは完全に自動化されたパイプラインで構築されている。
  論文  参考訳（メタデータ） (2026-02-03T04:48:26Z)
• DUET: Agentic Design Understanding via Experimentation and Testing [6.787641711048685]
  DUETは、実験とテストによる設計理解を開発するための一般的な方法論である。 仮説を反復的に生成し、EDAツールでテストし、結果を統合して、設計のボトムアップ理解を構築する。 DUETは,実験なしでのベースラインフローと比較して,形式的検証においてAIエージェントの性能を向上させることを示す。
  論文  参考訳（メタデータ） (2025-12-06T02:16:28Z)
• When the Code Autopilot Breaks: Why LLMs Falter in Embedded Machine Learning [0.8880611506199766]
  我々は、形式、モデル行動、構造的仮定が成功率と失敗特性の両方にどのように影響するかを示す。 私たちの分析では、フォーマットによる誤解釈や、コンパイルされるが下流で壊れる実行時ディスラプティブコードなど、さまざまなエラーが発生しやすい挙動を明らかにしています。
  論文  参考訳（メタデータ） (2025-09-13T19:00:04Z)
• Re:Form -- Reducing Human Priors in Scalable Formal Software Verification with RL in LLMs: A Preliminary Study on Dafny [78.1575956773948]
  強化学習(RL)で訓練された大規模言語モデル(LLM)は、信頼性も拡張性もない、という大きな課題に直面している。 有望だが、ほとんど報われていない代替手段は、フォーマルな言語ベースの推論である。 生成モデルが形式言語空間(例えばダフニー)で機能する厳密な形式体系におけるLLMの接地は、それらの推論プロセスと結果の自動的かつ数学的に証明可能な検証を可能にする。
  論文  参考訳（メタデータ） (2025-07-22T08:13:01Z)
• Simultaneous Machine Translation with Large Language Models [51.470478122113356]
  我々は,SimulMTタスクに大規模言語モデルを適用する可能性を検討する。 MUST-Cデータセットと異なる9言語でtextttLlama2-7b-chatモデルを用いて実験を行った。 その結果,LLM は BLEU と LAAL の指標で専用MT モデルよりも優れていた。
  論文  参考訳（メタデータ） (2023-09-13T04:06:47Z)
• 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。