यह शोधपत्र लार्ज-स्केल लैंग्वेज मॉडल्स (LLMs) का उपयोग करते हुए हार्डवेयर डिज़ाइन ऑटोमेशन में, विशेष रूप से वेरिलॉग कोड जेनरेशन में, डेटा सुरक्षा संबंधी मुद्दों पर चर्चा करता है। LLMs का उपयोग करके वेरिलॉग कोड जेनरेशन गंभीर डेटा सुरक्षा जोखिम पैदा कर सकता है, जिसमें वेरिलॉग मूल्यांकन डेटा भ्रष्टाचार, बौद्धिक संपदा (IP) डिज़ाइन लीक और दुर्भावनापूर्ण वेरिलॉग कोड उत्पन्न होने का जोखिम शामिल है। इसके समाधान के लिए, यह शोधपत्र SALAD प्रस्तुत करता है, जो एक व्यापक मूल्यांकन पद्धति है जो मशीन अनलर्निंग तकनीकों का उपयोग करके इन खतरों को कम करती है। SALAD, पूर्व-प्रशिक्षित LLMs से बिना पुनःप्रशिक्षण के, दूषित बेंचमार्क, संवेदनशील IP और डिज़ाइन आर्टिफैक्ट्स, और दुर्भावनापूर्ण कोड पैटर्न को चुनिंदा रूप से हटा देता है। एक विस्तृत केस स्टडी के माध्यम से, यह शोधपत्र दर्शाता है कि कैसे मशीन अनलर्निंग तकनीकें LLM-आधारित हार्डवेयर डिज़ाइनों में डेटा सुरक्षा जोखिमों को प्रभावी ढंग से कम करती हैं।
