一种面向 SKILL 代码自动补全的机器学习方法

随着摩尔定律持续增加电子系统的复杂性，电子设计自动化（EDA）必须进步以满足全球需求。SKILL 是 EDA 技术的一个重要例子，它是一种用于定制和扩展 EDA 软件的脚本语言。最近，使用 Transformer 架构的代码生成模型在学术环境中取得了令人瞩目的成果，甚至已被用于商业开发者工具中以提高开发者生产力。据我们所知，本研究是首次将 Transformer 应用于 SKILL 代码自动补全，旨在提高硬件设计工程师的生产力。在本研究中，提出并实验验证了一种新颖的、数据高效的 SKILL 代码生成方法。更具体地说，我们提出了一种新颖的方法，用于 (i) 创建包含无标签和有标签数据的高质量 SKILL 数据集；(ii) 采用一种训练策略，将在通用编程语言代码上预训练的 T5 模型在我们的自定义 SKILL 数据集上使用无监督和监督学习进行微调；以及 (iii) 评估合成的 SKILL 代码。我们表明，使用所提出方法训练的模型在人工判断分数和 BLEU 分数方面优于基线。我们面临的一个主要挑战是，可用的 SKILL 代码数据量极少，不足以训练 Transformer 模型来生成 SKILL 代码。尽管我们验证了改进效果，但我们可用的极小数据集仍不足以训练出能够可靠地自动补全 SKILL 代码的模型。我们讨论了这一点及其他局限性，以及可能解决这些局限性的未来工作。