Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
긴 컨텍스트의 RTL 설계를 최적화하기 위해 그래프 유사도 가이드를 활용하는 새로운 LLM 프레임워크를 제안합니다. 세 가지 협업 에이전트를 통해 복잡한 하드웨어 코드를 분해, 생성 및 재구성하여 기능적 동등성을 보장합니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.PL (Programming Languages)의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기대규모 언어 모델 (LLMs)은 RTL 코드 생성 및 최적화 분야에서 큰 가능성을 보여주고 있습니다. 그러나 실제 RTL 설계는 일반적으로 길고, 서로 얽혀 있으며, 모듈화가 제대로 되어 있지 않아, 컨텍스트 길이 (context-length)의 제한과 구조적 결여로 인해 큰 어려움을 겪습니다. 이러한 장애물을 극복하기 위해, 우리는 그래프 유사도 (graph similarity)에 의해 가이드되는 확장 가능한 LLM 기반 RTL 최적화 프레임워크를 제안합니다. 우리의 방법은 세 가지 협업 에이전트를 도입합니다: (1) 재사용 가능한 설계 템플릿과의 AST 그래프 유사도를 가이드로 삼아 RTL 설계를 의미론적으로 유의미한 AST 서브트리 (subtrees)로 분해하는 파티션 에이전트 (Partition Agent); (2) AST와 RTL 가이드를 모두 사용하는 멀티모달 검색 증강 생성 (Retrieval-Augmented Generation, RAG)을 사용하여 분할된 서브트리를 기반으로 RTL 서브모듈 코드를 생성하는 최적화 에이전트 (Optimization Agent); (3) 논리 인식 순서 (logic-aware ordering) 및 Graph-RAG 프롬프팅을 기반으로 최적화된 서브모듈을 재조립하여 전역적인 기능적 동등성 (functional equivalence)을 보장하는 재구성 에이전트 (Reconstruction Agent)입니다. 이러한 구성 요소들은 함께 긴 컨텍스트의 RTL 설계에 대해 견고하고 구조를 인식하는 최적화를 가능하게 하며, 단순한 예제와 산업 규모의 하드웨어 코드베이스 사이의 간극을 메워줍니다.