SALAD：LLM 辅助硬件设计中机器遗忘的系统性评估
机器学习
2025-10-07 v4 人工智能
密码学与安全
摘要
大型语言模型 (LLM) 为硬件设计自动化提供了变革性能力，尤其是在 Verilog 代码生成方面。然而，它们也带来了重大的数据安全挑战，包括 Verilog 评估数据污染、知识产权 (IP) 设计泄露以及恶意 Verilog 生成的风险。我们引入了 SALAD，这是一种利用机器遗忘来缓解这些威胁的综合性评估方法。我们的方法能够从预训练的 LLM 中选择性地移除受污染的基准测试、敏感的 IP 和设计工件或恶意代码模式，而所有这些均无需完全重新训练。通过详细的案例研究，我们展示了机器遗忘技术如何有效降低 LLM 辅助硬件设计中的数据安全风险。
引用
@article{arxiv.2506.02089,
title = {SALAD: Systematic Assessment of Machine Unlearning on LLM-Aided Hardware Design},
author = {Zeng Wang and Minghao Shao and Rupesh Karn and Likhitha Mankali and Jitendra Bhandari and Ramesh Karri and Ozgur Sinanoglu and Muhammad Shafique and Johann Knechtel},
journal= {arXiv preprint arXiv:2506.02089},
year = {2025}
}