Daily Arxiv

Cette page résume et organise les publications en intelligence artificielle du monde entier.
Les contenus sont synthétisés grâce à Google Gemini et le service est proposé à but non lucratif.
Les droits d'auteur des articles appartiennent à leurs auteurs ou institutions respectives ; en cas de partage, il suffit d'en mentionner la source.

VeriLoC : Prédiction au niveau de la ligne de code de la qualité de la conception matérielle à partir du code Verilog

Created by
  • Haebom

Auteur

Raghu Vamshi Hemadri, Jitendra Bhandari, Andre Nakkab, Johann Knechtel, Badri P Gopalan, Ramesh Narayanaswamy, Ramesh Karri, Siddharth Garg

Contour

VeriLoC est la première méthode permettant de prédire la qualité de conception (congestion temporelle et de routage) au niveau de la ligne et du module, directement à partir du code Verilog. Contrairement aux travaux précédents axés sur la prédiction de la qualité au niveau du module, VeriLoC extrait les intégrations au niveau de la ligne et du module à l'aide du LLM généré par le code Verilog, puis les combine pour former des sous-classificateurs/régresseurs. Elle atteint des scores F1 élevés de 0,86 à 0,95 pour la prédiction de la congestion et du timing au niveau de la ligne, et réduit le pourcentage d'erreur absolu moyen de 14 à 18 % par rapport aux méthodes de pointe à 4 %.

Takeaways, Limitations

Takeaways:
En permettant la prédiction de la qualité au niveau de la ligne et du module du code Verilog, les problèmes de conception peuvent être identifiés et résolus rapidement.
Il offre une précision considérablement améliorée par rapport aux méthodes de pointe.
Les intégrations VeriLoC peuvent également être utilisées pour d’autres tâches de prédiction et d’optimisation.
Limitations:
Actuellement, nous nous concentrons uniquement sur la prévision des congestions temporelles et de routage. La prévision d'autres indicateurs de qualité de conception nécessite des études plus approfondies.
Le code Verilog généré peut dépendre des performances du LLM utilisé.
Une évaluation plus approfondie des performances de généralisation pour les conceptions complexes de grande taille est nécessaire.
👍