Resumen Técnico: UniRTL

Planteamiento del Problema

El desarrollo de representaciones efectivas para diseños de Nivel de Transferencia de Registros (RTL) es crítico para acelerar el flujo de trabajo del diseño de hardware, particularmente para tareas como la predicción de rendimiento y la recuperación de código. Los enfoques existentes suelen depender de una única modalidad de datos: ya sea el código fuente RTL o una representación basada en grafos (como un Grafo de Flujo de Datos de Control o CDFG). Esta dependencia unimodal limita la capacidad de expresión y de generalización de las representaciones aprendidas. Mientras que el código codifica explícitamente información semántica y funcional, las modalidades de grafos capturan relaciones estructurales críticas que suelen ser opacas en el código. Además, los intentos multimodales previos en el dominio del software (por ejemplo, GraphCodeBERT) o en el dominio del hardware (por ejemplo, CircuitFusion) sufren de estrategias de alineación débiles, representaciones de grafos incompletas (que omiten operadores y flujo de control) o mecanismos de fusión de grano grueso que no logran aprovechar plenamente la naturaleza complementaria de los datos de código y de grafos.

Metodología

Los autores proponen UniRTL, un marco de preentrenamiento multimodal diseñado para aprender representaciones de RTL unificadas mediante el aprovechamiento conjunto de código RTL y CDFGs. La metodología se basa en tres componentes principales:

1. Construcción del Conjunto de Datos

El marco utiliza un conjunto de datos de 132,008 diseños RTL recolectados de fuentes que incluyen RTLCoder, MG-Verilog, DeepRTL y DeepCircuitX. Estos diseños están emparejados con resúmenes funcionales. Para generar los CDFGs, los diseños se compilan en un Lenguaje Intermedio de RTL (RTLIL) usando Yosys, se analizan en Árboles de Sintaxis Abstracta (AST) a través de Stagira, y se recorren para extraer los CDFGs. Aunque 38,888 diseños se convirtieron exitosamente en CDFGs, las muestras ruidosas restantes (que fallaron en la conversión) se retienen para la alineación de texto-código para maximizar la utilización de datos.

2. Arquitectura del Modelo

UniRTL emplea una arquitectura Transformer unificada (basada en CodeBERT-base-mlm) para integrar diferentes modalidades, evitando la complejidad de los codificadores específicos de cada modalidad.

• Tokenizador Consciente de Grafos (Graph-Aware Tokenizer): A diferencia del trabajo previo que aplana los nodos de variables, UniRTL introduce un tokenizador especializado que combina una Red de Isomorfismo de Grafos (GIN) y un Transformer ligero. Este tokenizador codifica tipos de nodos, anchos y descripciones textuales, capturando tanto las dependencias estructurales locales como la información contextual global dentro del CDFG.
• Estrategia de Entrenamiento Jerárquico:
  • Preentrenamiento: El tokenizador consciente de grafos se preentrena primero utilizando modelado de nodos con conciencia de estructura y predicción de aristas.
  • Alineación Texto-Código: Antes de incorporar los datos de grafos, el modelo pasa por una etapa de calentamiento (warm-up) alineando resúmenes funcionales (texto) y código fuente RTL mediante el modelado de máscara mutua. Esto maximiza la utilización de datos dada la abundancia de pares texto-código.
  • Incorporación de Grafos: Finalmente, se integra la información de los grafos. El modelo emplea modelado de máscara mutua para lograr una alineación multimodal de grano fino. En esta etapa, los tokens enmascarados en el texto y el código se recuperan utilizando el contexto de las otras modalidades, y los nodos de grafos enmascarados se recuperan utilizando el contexto del texto y el código. Se añaden codificaciones posicionales globales derivadas del Laplaciano del grafo para preservar la estructura topológica.

Contribuciones Clave

• Marco Multimodal Unificado: UniRTL es el primer marco que aprovecha conjuntamente el código RTL y los CDFGs completos para el aprendizaje de representaciones, abordando las limitaciones de los enfoques unimodales.
• Alineación de Grano Fino: A través del modelado de máscara mutua, UniRTL logra una alineación de grano fino entre el código y el grafo, superando el aprendizaje contrastivo de grano grueso utilizado en trabajos previos como CircuitFusion.
• Representación de Grafo Completa: El marco utiliza CDFGs que preservan la información completa del diseño (incluyendo operadores y flujo de control) y que pueden convertirse fielmente de nuevo a código, a diferencia de los flujos de datos simplificados o los subcircuitos a nivel de registro utilizados en estudios previos.
• Entrenamiento Jerárquico: La estrategia de preentrenar un tokenizador consciente de grafos y realizar la alineación de texto-código antes de la integración de grafos optimiza la utilización de datos y el rendimiento del modelo.

Resultados Experimentales

UniRlu fue evaluado en dos tareas de seguimiento bajo múltiples configuraciones:

1. Predicción de Rendimiento: El modelo predijo el área y el retardo post-síntesis, tanto con como sin información de netlist.

   • Resultados: UniRTL superó consistentemente a todos los modelos base, incluyendo StructRTL, VeriDistill, DeepRTL2 y GraphCodeBERT, en todas las métricas (MAE, MAPE, R2, RRSE).
   • Ablación: Eliminar el componente de grafo degradó significativamente el rendimiento, confirmando la necesidad de la información estructural. Eliminar el componente de código causó una ligera caída, indicando un valor complementario.
   • Integración de Netlist: Incluso incorporando información de netlist mediante destilación de conocimiento (usando un modelo profesor entrenado en netlists), UniRTL logró resultados de vanguardia (state-of-the-art).

2. Recuperación de Código: El modelo fue probado en Búsqueda de Código de Lenguaje Natural y Verificación de Equivalencia de Funcionalidad.

   • Resultados: UniRTL alcanzó los puntajes F1 más altos en Búsqueda de Código de Lenguaje Natural y la Precisión Promedio (AP) más alta en Verificación de Equivalencia de Funcionalidad, superando a los modelos de incrustación de propósito general y a los modelos especializados en RTL.
   • Ablación: La variante "UniRTL (w/o graph)" desempeñó significativamente peor que el modelo completo en la búsqueda de código, resaltando la importancia de la información de grafo para la comprensión semántica.

Significancia y Reivindicaciones

El artículo afirma que UniRTL establece una base más robusta y poderosa para avanzar en la automatización del diseño de hardware. Al integrar modalidades complementarias mediante una alineación de grano fino, UniRTL supera los límites de expresividad de los enfoques de una sola modalidad. Los autores enfatizan que su enfoque proporciona una comprensión integral de los diseños RTL, permitiendo retroalimentación instantánea sobre métricas de calidad y un reuso eficiente de módulos de diseño. El trabajo se presenta como un paso hacia sistemas de generación de código RTL más efectivos mediante generación aumentada por recuperación (RAG) y una estimación de rendimiento más precisa sin depender de la síntesis lógica que consume mucho tiempo.

Los autores señalan limitaciones, incluyendo la dependencia de la conversión exitosa de CDFG, la restricción actual a Verilog y la evaluación bajo configuraciones de síntesis fijas. Identifican la extensión del marco a otros lenguajes de descripción de hardware, diseños industriales más grandes y diversos flujos de síntesis como trabajos futuros importantes.