R3A：基于多智能体故障定位和随机树状思维补丁生成的可靠RTL修复框架
硬件体系结构
2025-11-27 v2 人工智能
摘要
RTL错误修复是硬件设计和验证的关键环节。传统的自动程序修复（APR）方法会定义专门的搜索空间来定位并修复错误，依赖固定模板，只能处理有限范围的错误。作为一种替代方案，具有代码语义理解能力的大型语言模型（LLM）可用于RTL修复。然而，由于RTL代码和波形输入的内在随机性和长文本上下文，LLM方法往往产生不可靠的结果。为此，我们提出R3A，这是一种基于基础模型的LLM驱动的自动RTL程序修复框架，旨在提高可靠性。R3A提出了随机树状思维（Tree-of-Thoughts）方法，以控制补丁生成智能体探索经验证的解决方案。该算法根据启发式函数对搜索状态进行抽样，以在探索与开发之间取得平衡，以实现可靠的结果。此外，R3A提出了一种多智能体故障定位方法，用于发现补丁生成智能体的故障候选点，从而进一步提高可靠性。实验表明，R3A在给定时间限制内修复了RTL-repair数据集中90.6%的错误，这超过了传统方法和其他LLM方法的45%，同时在平均情况下实现了86.7%的通过率（pass@5），显示出高水平的可靠性。
引用
@article{arxiv.2511.20090,
title = {R3A: Reliable RTL Repair Framework with Multi-Agent Fault Localization and Stochastic Tree-of-Thoughts Patch Generation},
author = {Zizhang Luo and Fan Cui and Kexing Zhou and Runlin Guo and Mile Xia and Hongyuan Hou and Yun Liang},
journal= {arXiv preprint arXiv:2511.20090},
year = {2025}
}