품질 인지형 형식 검증(Formal Verification)을 통한 LLM 생성 RTL Assertion의 루프 완성
요약
LLM을 이용한 RTL Assertion 생성 시 발생하는 품질 문제, 증명 비용 가변성, 실패 트레이스 해석의 어려움을 해결하기 위한 경량 오픈 소스 프레임워크를 제안합니다. 변이 유도 정제, 솔버 선택, 인과적 서사 합성을 결합하여 생성된 속성의 신뢰도를 높이는 품질 인지형 폐쇄 루프를 구현했습니다.
핵심 포인트
- LLM 생성 Assertion의 공허함 및 결함 구별 문제 해결
- RTL 구조 기반의 최적 SMT 솔버 선택으로 증명 비용 최적화
- 인과적 서사 합성을 통한 반례 트레이스의 설명 가능성 확보
- 품질 인지형 폐쇄 루프를 통한 실질적인 LLM 지원 형식 검증 제안
대규모 언어 모델 (LLM) 기반의 Assertion 생성은 Register Transfer Level (RTL) 설계에 대한 형식 검증 (Formal Verification)의 접근성을 높여주고 있지만, 세 가지 실질적인 문제가 남아 있습니다. 생성된 속성(Properties)이 잘못된 이유로 통과될 수 있고, 증명 비용 (Proof cost)이 설계마다 크게 다를 수 있으며, 실패한 트레이스 (Failing traces)를 해석하기 어렵다는 점입니다. 본 논문은 이러한 문제들을 하나의 루프 안에서 해결하는 경량 오픈 소스 프레임워크를 제시합니다. 우리의 방법론은 약한 Assertion(공허한(vacuous) Assertion 및 결함이 있는 동작을 구별하지 못하는 Assertion 포함)을 거부하기 위한 변이 유도 정제 (Mutation-guided refinement), RTL 구조를 사용하여 후보 Satisfiability Modulo Theories (SMT) 백엔드 중 하나를 선택하는 솔버 선택 (Solver-selection) 단계, 그리고 증명이 실패한 이유를 설명하기 위한 인과적 서사 합성 (Causal narrative synthesis)을 결합합니다. 다양한 RTL 설계에 걸쳐, 이 프레임워크는 생성된 Assertion에 대한 신뢰도를 높이고, 고정된 솔버 선택 시 발생하는 실행 시간의 가변성을 줄이며, 반례 트레이스 (Counterexample trace)에 근거한 실패 설명을 생성합니다. 결과는 Assertion 생성 단독보다는 품질 인지형 폐쇄 (Quality-aware closure)가 실질적인 LLM 지원 형식 검증을 위한 누락된 단계임을 시사합니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.AR의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기