AI 지원 RTL(Register Transfer Level) 로컬라이제이션 및 디버깅에는 알려진 위치와 관찰 가능한 실패가 있는 Ground-truth 버그 데이터셋이 필요하며, 테스트벤치 그레이딩은 탐지 능력을 측정하기 위해 주입된 버그를 사용합니다. 이러한 데이터셋을 대규모로 생성하는 것은 여전히 주요 EDA(Electronic Design Automation) 과제입니다.
BugGen 1.0은 대규모 언어 모델(LLMs)이 문맥 인식(context-aware) RTL 변형을 생성할 수 있음을 보여줍니다. 하지만 여전히 모델에 변형할 위치를 선택하는 것과 편집을 생성하는 두 가지 역할을 모두 의존하기 때문에 추론 비용(inference costs)이 증가하고 유효하지 않은 선택으로 이어질 수 있습니다.
BugGen 2.0은 이러한 역할 분담을 변경합니다. 결정론적 알고리즘(Deterministic algorithms)이 구조 분석(structural analysis), 타겟 선택(target selection), 및 검증(validation)을 처리하는 동안, LLM은 국소화된 의미 재작성(localized semantic rewriting)에 집중합니다.
네 개의 OpenTitan IP 블록과 세 개의 LLM을 사용한 FabScalar 전반에 걸쳐, BugGen 2.0은 최소 두 가지 테스트 실패를 유발하는 컴파일 가능한 버그 시나리오의 요청된 모든 할당량(quota)에 도달하며, 구성된 16가지 변형 유형 중 1416가지를 표현합니다. 완료된 동일 모델 비교에서, BugGen 2.0은 BugGen 1.0 대비 토큰 사용량을 6.8배15.4배 줄였고, Firefly 대비로는 1.5배~7.9배 줄였습니다.
BugGen 2.0은 또한 모든 새로운 버그를 시뮬레이션하지 않고 데이터셋을 확장합니다. 관찰 가능한 실패가 있는 수용된(accepted) 시나리오를 찾은 후, 동일한 위치에서 대체 변형을 생성하고 일부 하위 집합만 시뮬레이션하며 나머지에 대한 수용 여부를 추정합니다. 이를 통해 AES의 63.6%와 FabScalar 변형의 33.9% 시뮬레이션을 건너뜁니다. 전체 시뮬레이션 결과, AES 변형의 77.7%와 FabScalar 변형의 95.2%가 수용되었으며, 직접 비교 가능한 FabScalar 세트에서 추정 오차는 1.09%였습니다.
이러한 결과들은 LLM을 의미 재작성(semantic rewriting)에 집중시키는 것이 추론 및 시뮬레이션 비용을 낮추는 동시에 모델과 설계 전반의 일관성을 향상시킨다는 것을 보여줍니다.