Knowledge Graphs, the Missing Link in Agentic AI-based Formal Verification
Dieser Beitrag schlägt einen verifikationszentrierten Wissensgraphen vor, der strukturierte Zwischendarstellungen aus Spezifikationen, RTL und Feedback formaler Werkzeuge integriert, um einen Multi-Agenten-Workflow zu steuern und damit die Fundierung, Kompilierbarkeit und Abdeckung von von LLMs generierten SystemVerilog-Assertions für die formale Verifikation erheblich zu verbessern.
Originalarbeit unter CC0 1.0 der Gemeinfreiheit gewidmet (http://creativecommons.org/publicdomain/zero/1.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie versuchen, eine riesige, unglaublich komplexe LEGO-Burg basierend auf einem schriftlichen Bauanleitungsmanual zu errichten. Das Manual ist in einfachem Englisch verfasst, doch die Burg wird aus Tausenden winziger, spezifischer Steine gebaut (das Hardware-Design).
Das Problem:
In der Welt des Chip-Designs verwenden Ingenieure „Formale Verifikation", um mathematisch zu beweisen, dass die Burg nicht einstürzt. Um dies zu tun, schreiben sie eine Reihe strenger Regeln, die als SystemVerilog-Assertions (SVAs) bezeichnet werden. Diese Regeln besagen Dinge wie: „Wenn der rote Knopf gedrückt wird, muss die blaue Tür innerhalb von 3 Sekunden öffnen."
Traditionell ist das Schreiben dieser Regeln ein Albtraum. Es erfordert, dass ein Mensch das unordentliche englische Manual liest, die komplexe LEGO-Struktur betrachtet und sie in perfekten, fehlerfreien Code übersetzt. Wenn das Manual vage ist oder der Mensch ein winziges Detail über einen bestimmten Stein übersieht, schlägt die Regel fehl, und der gesamte Verifikationsprozess stürzt ab.
Künstliche Intelligenz (KI) wurde kürzlich eingesetzt, um diese Regeln automatisch zu schreiben. Doch die KI gerät oft in Verwirrung. Sie liest das Manual, „sieht" aber die LEGO-Steine nicht, was zu Regeln führt, die grammatikalisch falsch sind oder für das tatsächliche Design keinen Sinn ergeben.
Die Lösung: Ein „Digitaler Bibliothekar" (Der Wissensgraph)
Dieser Artikel schlägt eine neue Methode vor, um der KI zu helfen. Anstatt die KI lediglich das Manual lesen und raten zu lassen, haben die Autoren einen Wissensgraphen (KG) erstellt.
Stellen Sie sich den Wissensgraphen als einen superorganisierten digitalen Bibliothekar vor, der drei Dinge verbindet:
- Die Anweisungen: Die ursprünglichen englischen Anforderungen.
- Der Bauplan: Das tatsächliche Hardware-Design (die LEGO-Steine).
- Das Feedback: Die Ergebnisse aus den Verifikationstools (z. B. „Diese Regel schlug fehl, weil die Tür nicht schnell genug geöffnet hat").
Der Bibliothekar speichert diese nicht nur als separate Papierstapel. Er erstellt ein Netz von Verbindungen. Wenn Sie den Bibliothekar nach einer bestimmten Regel fragen, ruft er sofort den exakten Satz aus dem Manual, den spezifischen Stein, auf den er sich bezieht, sowie alle früheren Fehler, die bei ähnlichen Regeln aufgetreten sind, ab.
Wie das Team arbeitet (Der Multi-Agenten-Workflow)
Die Autoren haben nicht nur den Bibliothekar gebaut; sie haben ein Team spezialisierter KI-„Agenten" eingestellt, um mit ihm zu arbeiten. Stellen Sie sich ein Bauteam vor, bei dem jeder einen spezifischen Job hat:
- Der Architekt (Eigenschaftsgenerierung): Dieser Agent betrachtet das Manual und die Verbindungen des Bibliothekars, um die initialen Regeln zu schreiben. Da der Bibliothekar den exakten Kontext liefert, sind die Regeln von Anfang an viel wahrscheinlicher korrekt.
- Die Grammatik-Polizei (Syntaxkorrektur): Wenn die Regeln Tippfehler oder Codierungsfehler enthalten, korrigiert dieser Agent sie. Er nutzt den Bibliothekar, um zu prüfen, ob ein „fehlender Stein" tatsächlich eine fehlende Definition im Code ist.
- Der Detektiv (CEX-Korrektur): Manchmal schlägt eine Regel fehl, weil das Design tatsächlich defekt ist, oder weil die Regel zu streng war. Dieser Agent betrachtet den „Tatort" (den Fehlerbericht), prüft den Bauplan und schreibt die Regel um, um sie fairer zu gestalten, oder behebt das Missverständnis.
- Der Inspektor (Abdeckungsverbesserung): Dieser Agent prüft, ob es Teile der Burg gibt, die noch nicht getestet wurden. Falls ja, bittet er den Bibliothekar um neue Regeln, um diese spezifischen Bereiche zu testen.
Die Ergebnisse
Das Team testete dieses System an sieben verschiedenen „Burgen" (Chip-Designs), die von einfachen Zählern bis hin zu komplexen Speichersystemen reichten.
- Erfolg: Das System produzierte konsistent Regeln, die der Computer tatsächlich lesen und ausführen konnte (kompilierbarer Code). Es reduzierte die Anzahl der „Tippfehler" und grundlegenden Fehler drastisch.
- Abdeckung: Das System gelang es, zwischen 78,5 % und 99,4 % des Verhaltens des Designs zu verifizieren, was eine sehr hohe Erfolgsquote darstellt.
- Die Grenze: Obwohl das System hervorragend darin ist, kleine Fehler zu beheben und Punkte zu verbinden, hat es immer noch Schwierigkeiten mit den schwierigsten Rätseln. Wenn eine Regel komplexe, langfristige Logik erfordert (wie „wenn dies heute passiert, muss es dieses Ereignis drei Tage später beeinflussen"), bleibt die KI manchmal stecken, selbst mit Hilfe des Bibliothekars.
Zusammenfassung
Dieser Artikel stellt ein System vor, bei dem die KI nicht einfach nur rät, wie Computerchips verifiziert werden sollen. Stattdessen nutzt sie eine strukturierte Karte (Wissensgraph), um die schriftlichen Anforderungen direkt mit dem Hardware-Design und den Testergebnissen zu verknüpfen. Dies ermöglicht es einem Team von KI-Spezialisten, Verifikationsregeln viel zuverlässiger als zuvor zu schreiben, zu beheben und zu verbessern, und verwandelt ein chaotisches Ratespiel in einen strukturierten, nachvollziehbaren Prozess.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.