論文の概要: Rule-Guided and Trajectory-Aware Repair for LLM-Based HLS Generation

• arxiv url: http://arxiv.org/abs/2611.07324v1
• Date: Thu, 05 Nov 2026 02:09:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 21:50:50.489028
• Title: Rule-Guided and Trajectory-Aware Repair for LLM-Based HLS Generation
• Title（参考訳）: LLMを用いたHLS生成のためのルールガイドと軌道認識修復
• Abstract要約: 大型言語モデル(LLM)は、自然言語仕様から関数的に正しい、合成可能なHLS-Cを直接生成するための有望な経路を提供する。 我々は,実行可能かつファリザブルなデュアルメモリ誘導修復を中心に構築されたエージェントHLS生成フレームワークであるMementoHLSを提案する。
• 参考スコア（独自算出の注目度）: 17.473803792852806
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language models (LLMs) offer a promising path for directly generating functionally correct and synthesizable HLS-C from natural-language specifications. However, existing approaches often struggle to turn multi-round tool feedback and reusable HLS knowledge into effective revisions, limiting end-to-end generation success. We propose MementoHLS, an agentic HLS generation framework built around executable and falsifiable dual-memory-guided repair. MementoHLS combines an Executable Repair Contract Library (ERCL), which converts cross-task HLS knowledge into evidence-gated repair actions, with a Reviewer-Grounded Falsification Ledger (RFL), which converts task-local repair history into trajectory evidence to suppress ineffective routes and preserve validated progress. To ensure reliable outcome attribution, a Same-Candidate Reviewer binds Parse, Compile, Testbench (TB), and Synthesis (Synth) outcomes to the corresponding candidate, while a Single-Commit Arbiter commits at most one candidate per round. Evaluated on 94 HLS-Eval and 170 Bench4HLS tasks, MementoHLS improves same-candidate TB$\wedge$Synth pass@1/pass@5 from 41.7%/57.4% to 58.9%/68.1% on HLS-Eval, and from 15.5%/32.9% to 32.4%/50.6% on Bench4HLS, demonstrating substantial improvements in end-to-end HLS generation reliability.
• Abstract（参考訳）: 大型言語モデル(LLM)は、自然言語仕様から関数的に正しい、合成可能なHLS-Cを直接生成するための有望な経路を提供する。 しかし、既存のアプローチでは、複数ラウンドのツールフィードバックと再利用可能なHLS知識を効果的に修正し、エンド・ツー・エンド・ジェネレーションの成功を制限するのに苦労することが多い。 我々は,実行可能かつファリザブルなデュアルメモリ誘導修復を中心に構築されたエージェントHLS生成フレームワークであるMementoHLSを提案する。 MementoHLSは、クロスタスクのHLS知識をエビデンス付きの修復行動に変換するExecutable repair Contract Library(ERCL)と、タスクローカルな修復履歴をトラジェクティブなエビデンスに変換するReviewer-Grounded Falsification Ledger(RFL)を組み合わせることで、非効率的なルートを抑え、検証された進捗を維持する。 信頼性の高い結果帰属を保証するため、Same-Candidate ReviewerはParse、Compile、Testbench(TB)、Synth(Synth)の結果を対応する候補にバインドし、Single-Commit Arbiterは1ラウンドに1つの候補をコミットする。 94 HLS-Evalおよび170 Bench4HLSタスクに基づいて評価され、MementoHLSはTB$\wedge$Synth pass@1/pass@5を41.7%/57.4%から58.9%/68.1%に改善し、ベンチ4HLSでは15.5%/32.9%から32.4%/50.6%に改善した。

関連論文リスト

• An Executable Benchmark for LLM-Based HLS Repair:Design Complexity and Repair Underconstraint [0.8450904497835263]
  大規模言語モデル(LLM)を用いた高レベル合成(HLS)設計の自動修復の総合的評価について述べる。 我々は,APRスタイルのHLS修復ベンチマークを,スイート固有の機能オラクルを用いて構築する。 修復率は、複雑な暗号カーネルの6-45%から、コンパクトなアルゴリズムカーネルの81-93%まで様々である。
  論文  参考訳（メタデータ） (2026-10-02T19:28:05Z)
• ContractHIL-HLS: Contract-Aligned Multi-Agent Workflow with Hardware-in-the-Loop Feedback for HLS Design [10.287237931083189]
  本稿では,HLSエンジニアリングのための契約整合型マルチエージェントワークフローであるContractHIL-HLSを提案する。 自然言語要求を明示的なインターフェース、制約、バリデーションチェック、ロールバックルールに変換する、セマンティックアライメントとタスク実行アーティファクトとして構造化されたコントラクトを導入する。 HLS、Vivado、PYNQランタイム、パワー、障害エビデンスを世代にフィードバックすることで、ハードウェア情報をフィードバックループに組み込む。
  論文  参考訳（メタデータ） (2026-07-28T04:41:13Z)
• HLS-Seek: QoR-Aware Code Generation for High-Level Synthesis via Proxy Comparative Reward Reinforcement Learning [34.436059306800765]
  textbfHLS-Seekは、ループ内の高価な合成RLを比較プロキシ報酬モデルで置き換える。 HLS-Seekは81.5%の構文修正パス@1と81.4%のFunc@5を7Bパラメータで達成している。
  論文  参考訳（メタデータ） (2026-05-13T13:47:03Z)
• HLE-Verified: A Systematic Verification and Structured Revision of Humanity's Last Exam [63.84155758655084]
  HumanityのLast Exam (HLE)は、フロンティアの大規模言語モデルを評価するために広く使われているベンチマークである。 HLE-Verifiedは,透過的検証プロトコルときめ細かい誤り分類法を備えたHLEの検証および改訂版である。 我々は,HLEとHLE-Verifiedの7つの最先端言語モデルを評価し,平均7～10ポイントの絶対精度を観測した。
  論文  参考訳（メタデータ） (2026-02-15T02:50:15Z)
• CVeDRL: An Efficient Code Verifier via Difficulty-aware Reinforcement Learning [57.24524263804788]
  コード検証は、LLMベースのコード生成の検証後において重要な役割を果たす。 既存の教師付き微調整手法は、データの不足、高い失敗率、推論効率の低下に悩まされている。 機能的な報酬しか持たない単純RLは、難しいブランチやサンプルに対して効果的な単体テストを生成することができないことを示す。
  論文  参考訳（メタデータ） (2026-01-30T10:33:29Z)
• Bench4HLS: End-to-End Evaluation of LLMs in High-Level Synthesis Code Generation [0.0]
  大規模言語モデル(LLM)は、レジスタ転送レベル(RTL)におけるハードウェア設計を含む、コード生成において強力な能力を示している。 HLSとRTLに焦点を当てた研究の比率は過去6ヶ月で1:10から2:10に変化した。 この増加傾向は、LSMベースのHLS専用の総合的なベンチマークと評価フレームワークの必要性を浮き彫りにしている。
  論文  参考訳（メタデータ） (2026-01-16T20:52:42Z)
• Communication-Efficient Hybrid Language Model via Uncertainty-Aware Opportunistic and Compressed Transmission [65.17811759381978]
  ハイブリッド言語モデル(HLM)は、遠隔大言語モデル(LLM)によって検証され、修正されるドラフトトークンを生成する。 通信効率と不確実性を考慮したHLM(CU-HLM)を提案する。 CU-HLMは、74.8%のトランスミッションを97.4%の語彙圧縮でスキップし、97.4%の精度を維持しながら、最大206$times$高いトークンスループットを達成することを示す。
  論文  参考訳（メタデータ） (2025-05-17T02:10:34Z)
• CorrectBench: Automatic Testbench Generation with Functional Self-Correction using LLMs for HDL Design [6.414167153186868]
  機能的自己検証と自己補正を備えた自動テストベンチ生成フレームワークであるCorrectBenchを提案する。 提案手法は, 88.85%の成功率で生成したテストベンチの正当性を検証できる。 作業性能は, 従来よりも62.18%高く, 直接手法のパス比の約5倍である。
  論文  参考訳（メタデータ） (2024-11-13T10:45:19Z)
• Hint-before-Solving Prompting: Guiding LLMs to Effectively Utilize Encoded Knowledge [85.17343729885003]
  我々は,Hint-before-Solving Prompting (HSP)を導入し,その問題を解くためのヒントを生成する。 HSPは推論タスクの精度を効果的に向上させることができる。 我々はHSPと細調整されたLlemma-7Bに基づいてHSPMATHデータセットを構築し、64.3精度を達成した。
  論文  参考訳（メタデータ） (2024-02-22T05:58:03Z)
• Zero-Shot Cross-Lingual Summarization via Large Language Models [108.30673793281987]
  言語間要約(CLS)は、異なる対象言語で要約を生成する。 近年のLarge Language Models (LLMs) の出現は、計算言語学コミュニティから広く注目を集めている。 本稿では,異なるパラダイムからゼロショットCLSを実行するために,LSMを誘導するために様々なプロンプトを経験的に使用した。
  論文  参考訳（メタデータ） (2023-02-28T01:27:37Z)

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。