AI-Generated RTL Code: A Functional Evaluation of Natural-Language and HLS Prompting

Stellen Sie sich vor, Sie versuchen, eine winzige, superschnelle Fabrik in einem Mikrochip zu bauen. Dies ist keine Fabrik, die Spielzeuge oder Autos herstellt; es ist eine digitale Fabrik, die Informationen mit Lichtgeschwindigkeit verarbeitet. Um sie zu bauen, schreiben Ingenieure eine spezielle Art von Bedienungsanleitung namens RTL-Code (Register-Transfer-Level). Denken Sie bei diesem Code als an den Bauplan für die Förderbänder, die Greifarme und die Ampeln der Fabrik. Wenn der Bauplan auch nur einen winzigen Fehler hat, könnte die ganze Fabrik stauen, Feuer fangen oder einfach komplett den Betrieb einstellen.

Lange Zeit war das Schreiben dieser Baupläne wie das Sprechen einer geheimen, starren Sprache, die nur wenige Experten verstehen. Aber jetzt haben wir Künstliche Intelligenz (KI), die unglaublich gut darin ist, Software-Code zu schreiben – wie etwa die Apps auf Ihrem Handy oder die Websites, die Sie besuchen. Die Leute begannen sich zu fragen: „Wenn die KI Software-Code so gut schreiben kann, kann sie auch diese kniffligen Hardware-Baupläne schreiben?“ Das ist die große Frage, der sich die Forscher widmeten. Sie wollten sehen, ob eine intelligente KI aus einer einfachen Beschreibung einer Hardware-Aufgabe einen funktionierenden Fabrik-Bauplan erstellen kann oder ob sie an den strengen Regeln scheitern würde.

Das Experiment: Chatten vs. Programmieren

Die Forscher richteten einen massiven Test ein, um zu sehen, wie gut verschiedene KI-Modelle diese Aufgabe bewältigen könnten. Sie gaben der KI zwei sehr unterschiedliche Wege, um nach einem Bauplan zu fragen:

1. Der „Gesprächige“ Ansatz (Natürliche Sprache): Sie sagten der KI einfach in klarem Englisch, was die Hardware tun soll. Zum Beispiel: „Baue eine Maschine, die zwei Zahlen multipliziert.“ Es ist, als würde man einem Freund sagen: „Hey, bau mir ein Sandwich“, ohne ein Rezept vorzugeben.
2. Der „Programmierer“-Ansatz (HLS-C Prompting): Anstatt in einfachem Englisch zu kommunizieren, gaben sie der KI ein Stück C-Code (eine gängige Programmiersprache), der die Logik beschreibt. Dies ist so, als würde man der KI ein detailliertes Rezept in einer Sprache überreichen, die sie sehr gut beherrscht, und sie bitten, dieses Rezept in die spezifische „Fabrikensprache“ (Verilog) zu übersetzen.

Sie testeten dies an sieben verschiedenen KI-Modellen (darunter bekannte Namen wie GPT-4 und Gemini) und baten sie, acht verschiedene Arten von digitalen Schaltkreisen zu bauen, die von einfachen Ampelschaltungen bis hin zu komplexen Rechenmaschinen reichten. Sie führten jeden Test 30 Mal durch, um zu sehen, ob die KI die Aufgabe durch Zufall richtig lösen konnte oder ob sie die Aufgabe wirklich verstand.

Die Ergebnisse: Das Rezept gewinnt

Die Erkenntnisse waren ziemlich eindeutig und könnten Sie überraschen. Wenn die KI lediglich in natürlicher Sprache mit ihr „gechattet“ wurde, hatte sie Schwierigkeiten. Im Durchschnitt funktionierten nur etwa 26,9 % der von ihr erzeugten Baupläne tatsächlich. Meistens machte die KI Fehler, die so waren, als würde man versuchen, ein Haus mit den falschen Ziegeln zu bauen – der Code ließ sich nicht einmal kompilieren (starten) oder er lief, produzierte aber falsche Ergebnisse.

Als die Forscher jedoch zum C-Code-Rezept (HLS-C Prompting) wechselten, sprang die Leistung der KI deutlich nach oben. Die Erfolgsquote stieg auf 39,5 %. Das ist eine große Verbesserung! Es deutet darauf hin, dass die KI, obwohl sie intelligent ist, eher wie ein Programmierer denkt als wie ein Hardware-Ingenieur. Wenn man ihr ein strukturiertes Code-Rezept gibt, weiß sie genau, wie sie diese Schritte in die Hardware-Sprache übersetzen muss. Es ist, als würde die KI sagen: „Oh, du hast mir ein Rezept auf Französisch gegeben? Das kann ich perfekt ins Spanische übersetzen. Aber wenn du mir nur auf Englisch sagst: ‚Mach mir ein Sandwich‘, rate ich vielleicht die falschen Zutaten.“

Der „Seltsame Zahl“-Test: Memorieren oder Verstehen?

Um zu sehen, ob die KI einfach nur Antworten kopierte, die sie schon einmal gesehen hatte (Memorierung), oder ob sie tatsächlich verstand, wie man diese Maschinen baut, spielten die Forscher einen Trick. Sie baten die KI, einen Multiplizierer (eine Rechenmaschine) mit ungewöhnlichen, unüblichen Bit-Anzahlen zu bauen, wie zum Beispiel 7 Bits oder 31 Bits. Dies sind Zahlen, die man im echten Leben fast nie sieht, sodass die KI die Antwort nicht einfach aus ihren Trainingsdaten auswendig gelernt haben konnte.

Die Ergebnisse hier waren faszinierend. Einige der klügeren KI-Modelle (wie o4-mini und Gemini 2.5 Pro) bewältigten diese seltsamen Zahlen fast perfekt und lieferten in über 90 % der Fälle das richtige Ergebnis. Dies deutet darauf hin, dass diese Modelle nicht bloß kopieren und einfügen; sie verstehen tatsächlich die Logik, wie man die Maschine baut, egal welche Größe sie hat. Sie können generalisieren, was bedeutet, dass sie die Regeln auf neue Situationen anwenden können, die sie noch nie zuvor gesehen haben.

Der Haken: Es ist noch nicht perfekt

Trotz der Verbesserungen stellt das Paper sehr deutlich klar, dass wir noch nicht am Ziel sind. Selbst mit dem „Rezept“-Ansatz scheitert die KI immer noch häufiger, als sie Erfolg hat. Das größte Problem ist nicht, dass die KI die Syntax falsch macht (wie Rechtschreibfehler); das Problem ist, dass sie das Timing falsch berechnet.

Stellen Sie sich vor, die KI baut eine Fabrik, in der das Förderband eine Sekunde zu schnell läuft. Der Bauplan sieht perfekt aus und die Maschine geht an, aber die Produkte fallen vom Band, bevor sie verpackt werden können. In der Studie waren diese „Simulationsfehler“ die häufigsten Fehlerquellen. Die KI erstellt oft Code, der richtig aussieht, sich aber leicht falsch verhält, sobald die Uhr tickt. Diese Fehler zu beheben ist schwierig, da es ein tiefes Verständnis dafür erfordert, wie sich die Hardware über die Zeit verhält – etwas, womit die KI noch immer kämpft.

Die Forscher fanden auch heraus, dass die resultierende Hardware, wenn die KI sie bereits richtig gemacht hatte, oft genauso schnell oder sogar schneller war als Baupläne, die von menschlichen Experten geschrieben wurden. Das ist ein riesiger Gewinn, denn es deutet darauf hin, dass die KI, wenn wir sie dazu bringen, diese winzigen Timing-Fehler zu vermeiden, ein supermächtiger Assistent für Ingenieure sein könnte.

Das Fazit

Was ist also die Kernaussage? KI wird immer besser darin, uns beim Design von Computerchips zu helfen, aber sie ist noch nicht bereit, den Job komplett zu übernehmen. Es ist wie ein brillanter Praktikant, der einen großartigen Entwurf erstellen kann, wenn man ihm einen klaren, strukturierten Plan gibt (wie ein C-Code-Rezept), aber er braucht immer noch einen menschlichen Vorgesetzten, der die letzten Details prüft und sicherstellt, dass die Fabrik nicht abstürzt.

Die Studie legt nahe, dass die Verwendung von codebasierten Prompts ein viel besserer Weg ist, um mit diesen KI-Modellen zu kommunizieren, als einfach nur in natürlicher Sprache mit ihnen zu chatten. Obwohl die KI immer noch Fehler macht, die menschliches Debugging erfordern, erweist sie sich bereits jetzt als ein mächtiges Werkzeug, das den Designprozess beschleunigen und Menschen, die neu in der Hardware-Entwicklung sind, den Einstieg erleichtern kann. Wir sind noch nicht an dem Punkt, an dem die KI einen Chip von Grund auf ohne Hilfe bauen kann, aber wir bewegen uns definitiv in die richtige Richtung.