ترجمه فارسی مقاله AIvril: نسل RTL مبتنی بر هوش مصنوعی با تأیید در حلقه

چکیده

Large Language Models (LLMs) are computational models capable of performing complex natural language processing tasks. Leveraging these capabilities, LLMs hold the potential to transform the entire hardware design stack, with predictions suggesting that front-end and back-end tasks could be fully automated in the near future. Currently, LLMs show great promise in streamlining Register Transfer Level (RTL) generation, enhancing efficiency, and accelerating innovation. However, their probabilistic nature makes them prone to inaccuracies – a significant drawback in RTL design, where reliability and precision are essential. To address these challenges, this paper introduces AIvril, an advanced framework designed to enhance the accuracy and reliability of RTL-aware LLMs. AIvril employs a multi-agent, LLM-agnostic system for automatic syntax correction and functional verification, significantly reducing – and in many cases, completely eliminating – instances of erroneous code generation. Experimental results conducted on the VerilogEval-Human dataset show that our framework improves code quality by nearly 2x when compared to previous works, while achieving an 88.46% success rate in meeting verification objectives. This represents a critical step toward automating and optimizing hardware design workflows, offering a more dependable methodology for AI-driven RTL design.

چکیده به فارسی (ترجمه ماشینی)

مدل های بزرگ زبان (LLM) مدل های محاسباتی هستند که قادر به انجام کارهای پیچیده پردازش زبان طبیعی هستند.با استفاده از این قابلیت ها ، LLM ها این پتانسیل را دارند که کل پشته طراحی سخت افزار را تغییر دهند ، با پیش بینی ها نشان می دهد که کارهای جلویی و پشتی می توانند در آینده نزدیک به طور کامل خودکار باشند.در حال حاضر ، LLM ها وعده بزرگی در ساده سازی سطح انتقال ثبت (RTL) ، افزایش راندمان و تسریع در نوآوری نشان می دهند.با این حال ، ماهیت احتمالی آنها باعث می شود که آنها مستعد نادرستی باشند – یک اشکال قابل توجه در طراحی RTL ، جایی که قابلیت اطمینان و دقت ضروری است.برای پرداختن به این چالش ها ، این مقاله AIVRIL را معرفی می کند ، یک چارچوب پیشرفته طراحی شده برای افزایش دقت و قابلیت اطمینان LLM های RTL-Aware.AIVRIL از یک سیستم چند عامل ، LLM -AGNOSTIC برای تصحیح خودکار نحو و تأیید عملکردی استفاده می کند ، به طور قابل توجهی کاهش می یابد – و در بسیاری موارد ، کاملاً از بین می رود – نمونه هایی از تولید کد نادرست.نتایج تجربی انجام شده در مجموعه داده های Verilogeval-Human نشان می دهد که چارچوب ما در مقایسه با آثار قبلی ، کیفیت کد را تقریباً 2 برابر می کند ، ضمن دستیابی به میزان موفقیت 88.46 ٪ در اهداف تأیید.این یک گام مهم در جهت خودکار سازی و بهینه سازی گردش کار طراحی سخت افزار است و یک روش قابل اعتماد تر برای طراحی RTL محور AI ارائه می دهد.