超越标记：通过结构图学习提升RTL质量估计
机器学习
2025-08-27 v1 硬件体系结构
摘要
估计寄存器传输级（RTL）设计的质量对于电子设计自动化（EDA）工作流程至关重要，因为它可以在不需要耗时的逻辑综合的情况下，为面积和延迟等关键指标提供即时反馈。虽然最近的研究方法利用大型语言模型（LLM）从RTL代码中派生嵌入表示并取得了令人鼓舞的成果，但它们忽视了对于准确质量估计至关重要的结构语义。在 contrast 中，控制数据流图（CDFG）视图更明确地暴露了设计的结构特征，为表示学习提供了更丰富的线索。在本 work 中，我们引入了一种新型结构感知图自监督学习框架，称为 StructRTL，用于改进RTL设计质量估计。通过从 CDFGs 中学习结构感知表示，我们的方法在各种质量估计任务上显著优于先前的工作。为了进一步提升性能，我们纳入了知识蒸馏策略，将映射后 netlist 中的低层次见解传递到 CDFG 预测器中。实验表明，我们的方法建立了新的最佳结果，展示了结构学习与跨阶段监督相结合的有效性。
引用
@article{arxiv.2508.18730,
title = {Beyond Tokens: Enhancing RTL Quality Estimation via Structural Graph Learning},
author = {Yi Liu and Hongji Zhang and Yiwen Wang and Dimitris Tsaras and Lei Chen and Mingxuan Yuan and Qiang Xu},
journal= {arXiv preprint arXiv:2508.18730},
year = {2025}
}