新框架BTTF用多智能体实现芯片验证自动化，准确率超95%
论文AI 评分 68/100arXiv cs.AI
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
当前约74.6%的LLM与EDA结合研究聚焦静态RTL生成，仿真后验证与波形调试鲜有涉及。Je Yang等人提出端到端智能体框架BTTF，将非结构化仿真转储数据提炼为规范化的关系型SQLite数据库，并搭配多智能体协同引擎，把自然语言验证查询转为感知模式的SQL，同时关联信号异常与版本化RTL仓库。在150项查询基准测试中，该框架执行准确率达95.33%，为自主EDA验证提供可行路径。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载EDA验证环节的现有空白
现代AI依赖复杂的多十亿晶体管系统级芯片，但其验证工作流仍高度依赖人工。尽管大语言模型已快速渗透进电子设计自动化领域，但研究重心严重失衡：约74.6%的现有工作仅针对静态寄存器传输级代码生成，而仿真执行后的验证环节以及交互式的波形调试则基本未被触及，存在显著的基础设施断层。
BTTF框架的数据与智能体架构
为填补上述断层，Je Yang等人提出了端到端智能体框架BTTF。在数据处理端，该框架将海量且非结构化的仿真转储数据提炼为规范化的关系型SQLite数据库。在执行端，它配备了一个多智能体协同编排引擎，能够将自然语言形式的验证查询转化为感知数据库模式的SQL语句，同时将信号异常与版本化的RTL仓库进行关联比对。
基准测试表现与会议信息
在包含150项查询的基准测试中，BTTF框架实现了95.33%的执行准确率，展现出了将EDA验证推向自主化的实用潜力。该论文由Je Yang、Ivan Lobov与Thomas Karpati合著，于2026年10月5日提交，将在第40届NeurIPS的AI for Chip Design研讨会上展示。
为什么值得看
填补了LLM在EDA仿真后验证与交互调试环节的空白，为芯片验证自动化提供了高准确率的新范式。
智能体代码生成芯片基准测试
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。