Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
본 글은 LLM 기반 기능 커버리지 테스트의 한계를 지적하며, 시뮬레이션 데이터의 정확성(데이터 무결성)을 독립적으로 검증하는 '커버리지-클로저 에이전트'를 제안합니다. 이 에이전트는 모델과 분리된 스코어보드를 사용하여 RTL 설계에서 커버리지를 100%까지 끌어올리는 데 성공했습니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv Codex (cs.SE)의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기LLM 에이전트는 기능 커버리지를 달성하는 방향성 테스트를 작성할 수 있지만, 커버리지는 상태가 도달했음을 보여줄 뿐, 그 과정의 데이터가 정확했다는 것을 보여주지는 못합니다. 이는 검증 분야에서 오랫동안 알려진 지점이며, 저희는 이를 새로운 것으로 주장하지 않습니다. 저희는 이 점을 LLM 루프에 적용하는 작은 커버리지-클로저 에이전트를 설명합니다: 커버리지는 시뮬레이션 자체가 내보내는 리포트(cocotb-coverage YAML)에서 읽히며, 모델의 계정으로부터 가져오지 않습니다. 그리고 데이터 무결성은 모델과 분리된 스코어보드에 의해 확인됩니다. 세 가지 구조적으로 다른 RTL 설계(비동기 FIFO, UART 송신기, AHB2APB 브리지)에서 이 에이전트는 단일 디자인 비종속적 에이전트를 사용하여 모든 기록된 실행에서 커버리지를 91.7%, 88.9%, 67.4%에서 100%로 8회 반복 예산 내에 끌어올렸습니다. FIFO의 기본 테스트벤치에 연결된 반응형 스코어보드 모니터는 또한 작성자 자신의 자극 코드에서 클럭 도메인 교차(clock-domain-crossing) 버그를 발견했습니다. 이 모니터는 아직 LLM이 생성한 테스트에는 연결되지 않았으므로, 그 데이터 무결성은 독립적으로 확인되지 않습니다; 단일 FIFO 테스트에 대한 수동 점검은 예비 보고됩니다. 저희는 이 증거의 약점을 나열합니다: 세 가지 설계, 기준선(baseline) 없음, 제거 실험(ablation) 없음, 그리고 여러 에이전트 체크포인트에서 온 기록된 실행입니다.