본 논문은 에이전트 기반 대규모 언어 모델(LLM)을 이용한 Verilog 코드 생성에서 기존의 단일 에이전트 프롬프팅 또는 협력적 다중 에이전트 학습의 한계(단일 에이전트의 성능 저하 및 협력적 학습의 오류 전파)를 극복하기 위해, 경쟁과 협력을 결합한 다중 에이전트 프롬프팅 프레임워크인 CoopetitiveV를 제안한다. CoopetitiveV는 에이전트 간의 협력 없이 경쟁을 통해 코드 생성 품질을 향상시키는 구조를 갖는다. 실험 결과, CoopetitiveV와 GPT-4를 결합한 CoopetitiveV+GPT-4는 VerilogEval 머신 및 Human 데이터셋에서 각각 99.2%와 99.1%의 pass@10 점수를, RTLLM 데이터셋에서 100%의 구문 정확도와 99.9%의 기능 정확도(pass@5)를 달성하여 기존 방식보다 우수한 Verilog 코드 생성 성능을 보였다.
시사점, 한계점
•
시사점:
◦
단일 에이전트 및 협력적 다중 에이전트 LLM 기반 Verilog 코드 생성의 한계점을 극복하는 새로운 프레임워크 제시.
◦
경쟁적 다중 에이전트 접근 방식을 통해 코드 생성 품질 향상 및 오류 감소 효과 입증.
◦
CoopetitiveV+GPT-4의 높은 코드 생성 정확도를 실험적으로 검증.
•
한계점:
◦
제안된 프레임워크의 일반성 및 다른 프로그래밍 언어에 대한 적용 가능성에 대한 추가 연구 필요.
