Cet article aborde les problèmes de sécurité des données liés à l'automatisation de la conception matérielle à l'aide de modèles de langage à grande échelle (LLM), notamment lors de la génération de code Verilog. La génération de code Verilog à l'aide de LLM peut présenter de graves risques pour la sécurité des données, notamment la corruption des données d'évaluation Verilog, les fuites de propriété intellectuelle (PI) et le risque de génération de code Verilog malveillant. En réponse, cet article présente SALAD, une méthode d'évaluation complète qui atténue ces menaces grâce à des techniques de désapprentissage automatique. SALAD supprime sélectivement les benchmarks contaminés, les artefacts de propriété intellectuelle et de conception sensibles, ainsi que les modèles de code malveillants des LLM pré-entraînés, sans réentraînement. À travers une étude de cas détaillée, cet article démontre comment les techniques de désapprentissage automatique atténuent efficacement les risques de sécurité des données dans les conceptions matérielles basées sur les LLM.
