🤖 machine learning

Beyond Tokens: Enhancing RTL Quality Estimation via Structural Graph Learning

Cet article présente StructRTL, un nouveau cadre d'apprentissage auto-supervisé sur graphes sensible à la structure qui exploite les graphes de flux de données de contrôle et la distillation de connaissances à partir de réseaux logiques post-mappage pour surpasser de manière significative les méthodes existantes basées sur les LLM dans l'estimation des métriques de qualité de conception RTL telles que la surface et le délai.

Auteurs originaux : Yi Liu, Hongji Zhang, Yiwen Wang, Dimitris Tsaras, Lei Chen, Mingxuan Yuan, Qiang Xu

Publié 2026-06-01

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Yi Liu, Hongji Zhang, Yiwen Wang, Dimitris Tsaras, Lei Chen, Mingxuan Yuan, Qiang Xu

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous soyez un architecte concevant un gratte-ciel massif et complexe. Avant même de couler le béton ou de poser les briques, vous voulez savoir : Ce bâtiment sera-t-il trop lourd ? Les ascenseurs seront-ils trop lents ?

Dans le monde de la conception de puces informatiques, c'est exactement ce à quoi les ingénieurs sont confrontés. Ils écrivent du code (appelé RTL) pour décrire le fonctionnement d'une puce. Pour savoir si la puce sera assez rapide ou assez petite, ils doivent généralement exécuter une simulation informatique massive et lente appelée « synthèse logique ». C'est comme construire une maquette à échelle réelle du gratte-ciel juste pour en mesurer le poids. Cela prend beaucoup de temps et ralentit l'ensemble du processus de conception.

Le document que vous avez fourni présente un nouvel outil appelé StructRTL. Considérez-le comme une « boule de cristal ultra-rapide » capable de regarder les plans (le code) et de deviner instantanément le poids et la vitesse du bâtiment, sans avoir besoin de construire la maquette au préalable.

Voici comment cela fonctionne, décomposé en concepts simples :

1. Le Problème : Lire le « Mauvais » Livre

Les tentatives précédentes pour construire cette « boule de cristal » utilisaient deux méthodes principales, toutes deux présentant des défauts :

La méthode des « Tokens » (LLM) : Cela revient à demander à un robot intelligent de lire le plan ligne par ligne, mot par mot. Bien que le robot soit excellent pour comprendre la grammaire et le vocabulaire, il passe souvent à côté de la vue d'ensemble de la manière dont les pièces sont connectées. Il voit les mots « porte » et « couloir », mais ne saisit pas pleinement le flux structurel complexe entre eux.
La méthode « Manuelle » : Cela revient à demander à un humain de compter le nombre de fenêtres et de portes, puis de l'injecter dans une calculatrice simple. C'est trop rigide et cela manque les relations subtiles et complexes de la conception.

2. La Solution : La « Carte Structurelle » (CDFG)

Les auteurs ont réalisé que pour prédire la performance d'une puce, il faut voir son squelette, et non pas seulement son texte. Ils utilisent une carte spéciale appelée Graphe de Flux de Données de Contrôle (CDFG).

L'analogie : Imaginez prendre le plan et le transformer en une carte de métro.
- Nœuds (Stations) : Ce sont les opérations (comme l'addition de nombres) ou le stockage (comme les registres de mémoire).
- Arêtes (Voies) : Elles montrent comment les données circulent d'une station à une autre.
- La Différence : Contra \text{à} un document textuel, cette carte montre explicitement comment les pièces sont connectées. Elle révèle les « embouteillages » (délais) et les « coûts de construction » (surface) cachés dans le code.

3. Comment StructRTL Apprend : Le Jeu du « Compléter les Blancs »

Au lieu de simplement mémoriser la carte, StructRTL s'auto-enseigne en jouant à un jeu appelé Apprentissage Auto-Supervisé. C'est comme un professeur qui cache certaines parties d'une carte de métro et demande à l'élève de deviner ce qui manque.

Tâche 1 : Deviner le type de station (Modélisation de nœud masqué) : L'ordinateur couvre une station sur la carte et demande : « Est-ce une "Gare" (un additionneur) ou un "Arrêt de bus" (un registre de mémoire) ? » Pour deviner correctement, l'IA doit comprendre le contexte des voies environnantes. Cela lui apprend ce que chaque partie fait.
Tâche 2 : Deviner les voies (Prédiction d'arête) : L'ordinateur cache les lignes reliant les stations et demande : « Une voie va-t-elle de la Station A à la Station B ? » Cela force l'IA à comprendre la structure et le flux de la conception.

En jouant à ces jeux des millions de fois sur des milliers de conceptions, l'IA apprend à « ressentir » la structure d'une puce. Elle apprend que certains motifs de connexions signifient généralement qu'une puce sera lente, tandis que d'autres signifient qu'elle sera petite.

4. La Recette Secrète : Le Coaching « Maître-Élève »

Même avec une excellente carte, prédire la qualité finale (poids et vitesse) est difficile car la carte est un croquis abstrait, et non le bâtiment terminé. Pour être encore plus performant, StructRTL utilise une stratégie de Distillation de Connaissances.

L'analogie : Imaginez un Maître Constructeur (l'« Enseignant ») qui a déjà construit le gratte-ciel et qui connaît son poids et sa vitesse exacts.
Le Processus : Le Maître Constructeur regarde le bâtiment fini et explique les détails à l'Élève (StructRTL). L'Élève tente de imiter la compréhension du Maître.
Le Résultat : L'Élève apprend les « secrets de bas niveau » du bâtiment fini et les applique aux plans. Cela permet à l'Élève de faire des prédictions incroyablement précises en regardant simplement la carte, sans avoir besoin de construire l'ensemble.

5. Les Résultats : Rapide et Précis

Le document affirme que cette nouvelle méthode est une amélioration majeure :

Vitesse : Elle prédit la qualité de la puce en une fraction de seconde (environ 0,1 seconde), alors que la méthode traditionnelle prend environ 14 secondes. C'est une accélération de 145x.
Précision : Elle est bien meilleure pour deviner à la fois la taille (surface) et la vitesse (délai) de la puce que les méthodes précédentes, y compris celles utilisant de gigantesques modèles de langage IA.
Petites Données : Elle fonctionne bien même si vous ne disposez pas d'une quantité massive de données d'entraînement, ce qui est idéal pour les nouvelles technologies de puces où les données sont rares.

Résumé

StructRTL est une nouvelle façon de prédire la qualité de la conception d'une puce informatique. Au lieu de lire le code comme une histoire ou de compter les pièces comme un tableur, elle transforme le code en une carte structurelle et entraîne une IA à comprendre les connexions sur cette carte. En apprenant à l'IA à remplir les parties manquantes de la carte et en la laissant apprendre d'un « Maître Constructeur » qui a déjà construit les puces, elle peut instantanément dire aux ingénieurs si leur conception sera rapide et efficace, leur faisant ainsi gagner des heures d'attente.

Résumé Technique : Au-delà des Tokens : Améliorer l'Estimation de la Qualité du RTL via l'Apprentissage de Graphes Structurels

Problématique

Dans le flux de travail de l'automatisation de la conception électronique (EDA), l'estimation de la qualité des conceptions de niveau de transfert de registres (RTL) — spécifiquement des métriques telles que la surface et le délai — est cruciale pour fournir un retour d'information instantané sans le coût computationnel d'une synthèse logique complète. Bien que les approches récentes aient exploité les modèles de langage à grande échelle (LLM) pour dériver des plongements (embeddings) à partir des tokens de code RTL, les auteurs soutiennent que ces méthodes négligent les sémantiques structurelles essentielles. Les vues basées sur les tokens encodent l'information structurelle de manière implicite, tandis que les graphes de flux de données et de contrôle (CDFG) exposent explicitement les caractéristiques structurelles de la conception, offrant des indices plus riches pour l'apprentissage de représentations. De plus, les méthodes basées sur les graphes existantes reposent souvent sur des caractéristiques superficielles et artisanales qui ne parviennent pas à capturer les motifs complexes affectant les performances en aval.

Méthodologie

Le papier présente StructRTL, un cadre d'apprentissage auto-supervisé de graphes sensible à la structure, conçu pour améliorer l'estimation de la qualité de la conception RTL. La méthodologie se compose de quatre composantes principales :

1. Construction du CDFG

Au lieu de traiter les tokens bruts du code RTL, StructRTL opère sur des graphes de flux de données et de contrôle (CDFG). Le pipeline de construction implique :

La compilation du code source RTL en un langage intermédiaire RTL (RTLIL) en utilisant Yosys.
La génération d'un arbre de syntaxe abstraite (AST) à partir du RTLIL en utilisant le parseur Verilog Stagira.
Le parcours de l'AST pour extraire le CDFG, où les nœuds représentent des opérations ou des éléments de stockage, et les arêtes dirigées indiquent les dépendances de données ou de contrôle.

2. Architecture du Modèle

StructRTL emploie une architecture hybride combinant un réseau de neurones sur graphes (GNN) et un encodeur Transformer :

Initialisation : Les plongements de nœuds sont initialisés par la concaténation du codage "one-hot" du type de nœud et de la largeur du nœud.
Traitement GNN : Un réseau d'isomorphisme de graphe (GIN) effectue la transmission de messages pour générer des plongements sensibles au contexte.
Codage Positionnel : Pour préserver l'information structurelle perdue lors de l'aplatissement du graphe pour le Transformer, des plongements positionnels globaux sont calculés en utilisant les vecteurs propres de la matrice laplacienne symétrique normalisée du graphe dirigé.
Encodeur Transformer : Les plongements sensibles au contexte, combinés aux plongements positionnels, sont traités par un encodeur Transformer pour produire des plongements finaux informés par la structure.

3. Pré-entraînement Auto-supervisé

Pour apprendre des représentations riches, le modèle subit deux tâches de pré-entraînement adaptées sur les CDFG :

Modélisation de Nœud Masqué Sensible à la Structure : Contra�à l'occultation standard des caractéristiques brutes, cette tâche masque les plongements de contexte post-GNN. Le modèle prédit le type de nœud d'origine (un problème de classification à 32 classes) pour les nœuds masqués. Pour traiter le déséquilibre sévère des classes (ex: opérateurs rares vs fils communs), les auteurs utilisent un masquage stratifié (garantissant un nombre minimum d'échantillons par classe) et une perte focale équilibrée par classe (class-balanced focal loss).
Prédiction d'Arêtes : Puisque l'aplatissement du graphe pour le Transformer occulte la connectivité, cette tâche traite la récupération des arêtes comme un problème de classification binaire. Le modèle prédit si une arête existe entre deux nœuds sur la base de leurs plongements finaux, en utilisant un perceptron multicouche (MLP).

4. Distillation de Connaissances

Pour combler l'écart entre les CDFG de niveau RTL et les réseaux réels post-mappage (PM) où la surface et le délai sont mesurés, les auteurs incorporent une stratégie de distillation de connaissances :

Un prédicteur basé sur le PM est d'abord entraîné sur des réseaux synthétisés (en utilisant un GIN) et est ensuite gelé.
Ce prédicteur guide le prédicteur basé sur le CDFG (StructRTL) en alignant leurs activations de couche finale via une fonction de perte combinant la similitude cosinus et l'erreur quadratique moyenne. Cela transfère les informations de bas niveau de la vue au niveau des portes vers le modèle de niveau RTL.

Contributions Clés

Cadre StructRTL : Un nouveau cadre d'apprentissage auto-supervisé qui exploite explicitement les CDFG plutôt que les séquences de tokens pour capturer les sémantiques structurelles.
Tâches de Pré-entraînement Adaptées : L'introduction de la modélisation de nœud masqué sensible à la structure et de la prédiction d'arêtes, spécifiquement adaptées aux graphes de calcul, traitant les problèmes d'ambiguïté inhérents au masquage des nœuds CDFG bruts.
Supervision Trans-étape : L'intégration de la distillation de connaissances à partir des réseaux post-mappage pour améliorer la précision prédictive des estimateurs de niveau RTL.
Open Source : Le code est publié pour faciliter la recherche ultérieure.

Résultats Expérimentaux

Les auteurs ont évalué StructRiel sur un ensemble de 13 200 conceptions, comparant l'approche aux bases de référence basées sur les graphes (Graph-XGBoost, Graph-GNN) et aux bases de référence basées sur les LLM (variantes CodeV).

Performance : Sans distillation de connaissances, StructRTL a obtenu un score $R^2$ de 0,7463 pour la prédiction de la surface et de 0,7630 pour la prédiction du délai, surpassant significativement les méthodes précédentes basées sur les LLM (qui marquaient environ 0,63 et 0,52 respectivement).
Avec la Distillation de Connaissances : En incorporant la stratégie de distillation, l'amélioration de StructRTL atteint 0,8676 ( $R^2$ ) pour la surface et 0,8872 pour le délai, surpassant toutes les bases de référence.
Études d'Ablation : Le retrait de l'une ou l'autre des tâches de pré-entraînement (modélisation de nœud masqué ou prédiction d'arêtes) entraînait une dégradation des performances, confirmant la nécessité des deux tâches.
Efficacité des Données : StructRTL a maintenu des performances compétitives même lorsqu'il était entraîné sur seulement 20 % des données, surpassant les bases de référence LLM utilisant la totalité des données.
Évaluation Industrielle : Sur 102 modules RTL industriels, StructRTL a atteint 82,35 % de précision dans le classement de la surface et 88,23 % dans le classement du délai pour les comparaisons par paires.
Vitesse d'Inférence : StructRTL fournit un retour quasi instantané, avec une moyenne de 0,096 seconde par conception contre 13,97 secondes pour la synthèse logique (une accélération de 145×).

Signification et Revendications

L'article affirme que la combinaison de l'apprentissage de représentation structurelle et de la supervision trans-étape établit de nouveaux résultats de pointe pour l'estimation de la qualité du RTL. Les auteurs soulignent que l'encodage explicite des sémantiques structurelles dans les CDFG, couplé à l'apprentissage auto-supervisé et à la distillation de connaissances, permet de capturer des motifs de conception complexes que les LLM basés sur les tokens manquent. Cette approche offre une solution pratique pour accélérer les cycles de conception en permettant un retour d'information précoce et précis sur la qualité, sans la charge computationnelle d'une synthèse complète, tout en restant suffisamment efficace pour les flux de travail de conception itératifs. Le travail souligne que si les LLM excellent dans la génération de code, ils peuvent manquer du biais inductif structurel explicite requis pour une estimation précise de la qualité du matériel, un fossé que l'apprentissage de graphes structurels comble efficacement.