텍스트 전용 LLM(Large Language Models)은 자연어 명세로부터 RTL(Register-Transfer Level)을 생성하지만, 인터페이스와 사이클 수준의 동작이 명시되어 있더라도 산문(prose)은 연결성, 레지스터 경계, 그리고 상태-출력 관계를 암시적인 상태로 남겨둘 수 있습니다. 회로도(Schematics)는 이러한 구조적 관계를 명시적으로 만들어 텍스트가 전달하는 동작 제약 조건을 보완할 수 있습니다. 그러나 단순히 이미지를 추가하는 것만으로는 융합(fusion)의 과제가 발생합니다. 직접적인 멀티모달 디코딩(multimodal decoding)은 텍스트와 회로도의 증거 역할(evidence roles)을 명시적으로 분리하지 못하며, 코드 생성 전에 누락되거나 충돌하는 제약 조건을 명시적으로 드러내지 못합니다.

우리는 회로도에서 토폴로지 계약(topology contract)을 추출하고 텍스트에서 동작 계약(behavior contract)을 추출하는 계약 매개 멀티모달 프레임워크인 CircuitWeave를 제시합니다. 이 프레임워크는 이러한 기록들을 대응 관계, 누락된 증거, 그리고 충돌을 직렬화하는 회로 계약(circuit contract)으로 융합한 다음, 오직 이 계약으로부터만 RTL을 생성합니다. 공동 목적 함수(joint objective)는 두 계약, 직렬화된 융합, 계약 조건부 RTL 생성, 그리고 참조 RTL로부터 커버된 계약 필드의 역재구성(reverse reconstruction)을 모두 감독합니다.

우리는 명세, 생성된 회로도, 구조화된 계약, 참조 RTL, 그리고 자체 검증 테스트벤치(self-checking testbench)를 각각 포함하는 5,000개의 실행 가능한 패키지를 구축하였으며, 훈련 스플릿(training split)을 사용하여 LoRA로 Qwen을 적응시켰습니다. VerilogEval-Human에서 CircuitWeave는 pass@1 46.60%, pass@5 61.49%, pass@10 65.39%에 도달했습니다. 이러한 점 추정치는 회로도 없이 동일하게 적응된 체크포인트보다 각각 8.46, 5.85, 2.57 퍼센트 포인트 더 높습니다. RTLLM에서 이는 40.00%, 48.00%, 52.00%에 도달하며, 각 컷오프(cutoff)에서 적응된 텍스트 전용 조건보다 2 퍼센트 포인트 더 높습니다.

데이터셋은 https://huggingface.co/datasets/fengjiahao0421/CircuitWeave 에서 공개적으로 사용할 수 있습니다.