Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
HLS(고수준 합성) 툴체인에서 발생하는 C 코드의 합성 실패 문제를 해결하기 위해 증거 기반의 LLM 에이전트 워크플로를 제안합니다. 생성, 검증, 진단, 수정을 포함하는 폐쇄 루프 시스템을 통해 기존 모델보다 뛰어난 C-to-HLS-C 변환 성능을 입증했습니다.
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 바로가기소프트웨어로 컴파일 가능한 C 프로그램은 고수준 합성 (HLS) 툴체인의 4단계 파이프라인인 컴파일 (Compilation), C 시뮬레이션 (CSim), 합성 (Synthesis), 그리고 C/RTL 공동 시뮬레이션 (CoSim)을 완료하는 데 일상적으로 실패합니다. 이는 HLS가 C의 합성 가능한 부분 집합 (HLS-C)만을 수용하기 때문입니다. 그러나 HLS 코드 수정을 위해 구축된 기존의 대부분의 대규모 언어 모델 (LLM) 시스템은 파이프라인의 초기 단계만을 다루며, 가공되지 않은 툴 로그를 모델에 직접 전달하여 취약하고 재현하기 어려운 수정안을 생성합니다. 본 연구에서는 C-to-HLS-C 변환을 HLS 툴 (Xilinx Vitis) 상에서 폐쇄 루프 형태의 생성-검증-진단-수정 (generation-verification-diagnosis-repair) 문제로 정의하며, 세 가지 구성 요소를 제안합니다: 엄격한 증거 격리 하에 4단계 검증기로 폐쇄되는 협력 에이전트의 엔드 투 엔드 (end-to-end) 워크플로; 로그 정규화 (log normalization), 추상 구문 트리 (AST) 역방향 슬라이싱 (backward slicing), 그리고 이중 추적 계측 (dual-trace instrumentation)을 통해 CSim/CoSim 불일치를 찾아내는 점진적 불일치 위치 식별 체인 (Progressive Mismatch Localization Chain, PMLC); 그리고 자기 진화형 및 패밀리 라우팅 기반의 수정 카드 (repair-card) 풀을 지원하는 타입 쿼리 기반의 2단계 증거 검색 증강 생성 (RAG)입니다. 실험 결과, 제안된 워크플로는 모든 비교 가능한 최신 (state-of-the-art) 모델들을 실질적으로 능가함을 보여줍니다.