Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

Learning to Debug: LLM-Organized Knowledge Trees for Solving RTL Assertion Failures

Created by
  • Haebom
Category
Empty

저자

Yunsheng Bai, Haoxing Ren

개요

GROVE는 어설션 실패 해결을 위한 재사용 가능한 디버깅 전문 지식을 학습하고 구성하는 계층적 지식 관리 프레임워크입니다. LLM으로 구성된 지식 트리를 사용하여 과거 사례로부터 디버깅 지식을 추출하고 각 노드가 간결한 지식 항목과 적용 조건을 인코딩하는 구성 가능한 깊이의 수직 트리를 구성합니다. 훈련 시 LLM은 사례로부터 학습하여 구조화된 JSON 편집 형식으로 트리 수정을 제안합니다. 테스트 시에는 예산 인식 반복 줌을 수행하여 트리를 탐색하고, 기본 LLM의 가설 생성 및 수정 제안을 안내하는 소수의 적용 가능한 지식 항목을 검색합니다.

시사점, 한계점

시사점:
구조화된 지식 진화를 통해 어설션 실패 해결 능력 향상.
LLM을 활용한 디버깅 전문 지식의 효율적인 관리 및 재사용.
pass@1 및 pass@5에서 일관된 성능 향상.
한계점:
구체적인 성능 향상 수치나 데이터셋에 대한 정보 부족.
GROVE의 복잡성 및 구현 난이도에 대한 정보 부족.
다른 디버깅 접근 방식과의 비교 분석 정보 부재.
👍