STELLAR: מסגרת מבוססת מבנה לייצור אסרטיות אימות פורמלי

בעידן שבו עיצוב שבבים הופך מורכב יותר, אימות פורמלי (FV) נותר כלי חיוני להבטחת תקינות, אך כתיבת אסרטיות SystemVerilog (SVAs) ידנית היא תהליך איטי ומועד לשגיאות. כעת, מחקר חדש מציג את STELLAR – המסגרת הראשונה שמנחה יצירת SVAs מבוססת LLM באמצעות דמיון מבני. המחקר מדגיש כיצד גישה זו פותרת בעיות קיימות ומשפרת את איכות האסרטיות בתעשיית השבבים. גישות LLM קיימות לייצור אסרטיות או מייצרות אותן מאפס או מתעלמות מדפוסים מבניים בעיצובי RTL ומאסרטיות מומחים. STELLAR שוברת את המעגל הזה בכך שהיא מייצגת בלוקי RTL כטביעות אצבע מבניות של AST (עץ תחביר מופשט), מאתרת זוגות רלוונטיים מבנית (RTL, SVA) ממאגר ידע ומשלבת אותם בהנחיות מותאמות מבנה ל-LLM. כך, ה-LLM מקבל הקשר מבני רלוונטי שמשפר את התוצאה. תהליך העבודה של STELLAR כולל שלושה שלבים מרכזיים: ייצוג מבני של קוד RTL כטביעת אצבע AST, חיפוש והשגת זוגות דומים מבנית ממאגר ידע מקיף של דוגמאות אמיתיות, ושילובם בהנחיות מובנות שמדריכות את ה-LLM לייצר אסרטיות מדויקות יותר. גישה זו מבטיחה התאמה סגנונית וארכיטקטונית לעיצוב הנוכחי. בניסויים שנערכו, STELLAR הוכיחה עליונות בדיוק תחבירי, התאמה סגנונית ונכונות פונקציונלית בהשוואה לגישות קודמות. התוצאות מדגישות את הפוטנציאל של איתור מבוסס מבנה ככיוון מבטיח באימות פורמלי תעשייתי. למרות שהמקור דל בפרטי ניסויים ספציפיים, ההבטחה ברורה: שילוב מבנה משפר משמעותית כלים אוטומטיים. למנהלי טכנולוגיה בישראל, STELLAR פותחת אפשרויות חדשות באימות עיצובי חומרה מתקדמים, במיוחד בתעשיות כמו סייבר ואוטומוטיב. כיוון זה יכול להאיץ פיתוח, להפחית שגיאות ולחסוך עלויות. האם הגיע הזמן לשלב מבנה בעצות ה-LLM שלכם? המחקר מציע להתחיל עם בניית מאגרי ידע מבניים.