본 논문은 대규모 언어 모델(LLM) 기반의 레지스터 전달 레벨(RTL) 코드 최적화 방법의 효과를 종합적으로 실험적으로 조사한 연구 결과를 제시한다. 기존의 RTL 코드 최적화 방법들이 수동 튜닝과 휴리스틱에 의존하여 시간이 많이 걸리고 오류가 발생하기 쉬운 반면, LLM은 자연어 설명을 기반으로 최적화된 코드 스니펫을 생성하여 프로세스를 가속화할 수 있다는 점에 착안하였다. 특히 복잡한 타이밍 로직을 포함하는 RTL 코드에 대한 LLM 기반 최적화 방법의 효과를 평가하기 위해 새로운 벤치마크를 제안하고, 변태(metamorphosis) 기반 방법론을 도입하여 체계적인 평가를 수행하였다. 실험 결과, LLM 기반 방법은 논리 연산 최적화에서 기존 컴파일러 기반 방법보다 우수한 성능을 보였지만, 복잡한 타이밍 로직, 특히 타이밍 제어 흐름 최적화 및 클럭 도메인 최적화에는 기존 방법보다 성능이 떨어지는 것을 확인하였다. 이는 LLM이 RTL 코드의 타이밍 로직을 이해하는 데 어려움을 겪기 때문으로 분석된다.
