Arcane：基于语义聚类与 MCTS 引导规则探索的断言约减框架
人工智能
2026-05-12 v1 硬件体系结构
摘要
基于断言的验证 (ABV) 对于确保硬件设计符合其预期规范至关重要。然而，现有的自动断言生成方法（例如基于 LLM 的框架）通常会生成大量冗余断言，这会显著降低仿真效率。为了减轻冗余断言引起的仿真开销，本文提出了 Arcane，一个高效的断言约减框架。它集成了双层断言聚类方法，用于对大型断言集进行准确的语义分类，并采用蒙特卡洛树搜索 (MCTS) 来探索最优的规则应用序列，以实现高效的断言约减。在 Assertionbench [20] 上的实验结果表明，Arcane 在断言数量上实现了高达 76.2% 的约减，同时完全保留了形式覆盖率和变异检测能力。进一步的仿真研究表明，仿真时间实现了 2.6 倍至 6.1 倍的加速。所提出的框架已发布于 https://anonymous.4open.science/r/Arcane1-0A6F/。
引用
@article{arxiv.2605.10107,
title = {Arcane: An Assertion Reduction Framework through Semantic Clustering and MCTS-Guided Rule Exploring},
author = {Hongqin Lyu and Yonghao Wang and Zhiteng Chao and Tiancheng Wang and Huawei Li},
journal= {arXiv preprint arXiv:2605.10107},
year = {2026}
}
备注
6 pages, 6 figures