LLM4PQC - Accurate and Efficient Synthesis of PQC Cores by Feedback-Driven LLMs

L'article présente LLM4PQC, un cadre basé sur les grands modèles de langage qui automatise la refactoring des codes de cryptographie post-quantique vers du code C synthétisable et génère des RTL vérifiés, réduisant ainsi l'effort manuel et accélérant l'exploration de l'espace de conception.

L'essentiel

🌌 Le Défi : Construire des Forteresses contre les "Super-ordinateurs du Futur"

Imaginez que le monde de la cryptographie (la science des cadenas numériques qui protègent nos données) est en train de construire de nouveaux murs. Pourquoi ? Parce que les ordinateurs quantiques du futur (des machines ultra-puissantes) vont bientôt pouvoir casser les cadenas actuels (comme ceux qui protègent vos banques ou vos emails).

Pour se protéger, les experts ont créé de nouveaux algorithmes, appelés PQC (Cryptographie Post-Quantique). C'est comme si on avait inventé de nouveaux plans de cadenas indestructibles.

Le problème ?
Ces nouveaux plans sont écrits dans un langage informatique très abstrait (du code C), conçu pour être lu et compris par des humains, pas pour être construit par des machines.

• L'analogie : Imaginez que vous avez un chef-d'œuvre architectural dessiné au crayon sur un bout de papier (le code C). C'est beau et précis, mais vous ne pouvez pas construire une maison directement avec ce dessin. Il faut le transformer en plans d'ingénieur détaillés, avec des mesures exactes, des matériaux spécifiques et des règles de construction strictes. C'est ce qu'on appelle la Synthèse de Haut Niveau (HLS).

Jusqu'à présent, faire cette transformation prenait des mois de travail manuel à des experts très spécialisés. C'était lent, coûteux et sujet aux erreurs.

🤖 La Solution : LLM4PQC, l'Architecte Robotique

Les auteurs de cet article ont créé un outil appelé LLM4PQC. C'est un système qui utilise une Intelligence Artificielle (IA) très avancée (un "Grand Modèle de Langage" ou LLM) pour faire le travail de transformation à notre place.

Mais attention, on ne peut pas juste demander à l'IA : "Transforme ce code en matériel". Elle ferait des erreurs. C'est là que la magie de leur méthode opère.

Comment ça marche ? (L'analogie du Chef Cuisinier et du Contrôleur Qualité)

Imaginez que vous voulez transformer une recette de cuisine complexe (le code PQC) en un plat prêt à être servi dans un restaurant de luxe (le matériel électronique).

1. L'Extraction (Le Choix des Ingrédients) :
   Au lieu de transformer toute la recette, l'IA identifie les parties les plus importantes et les plus lentes (comme le hachage ou le mélange des épices). Ce sont les "sous-routines" critiques.

2. Le Pré-traitement (La Mise en Place) :
   Les recettes originales sont parfois trop "poétiques" pour la cuisine industrielle. Elles utilisent des ingrédients qui n'existent pas en usine (comme des mathématiques flottantes ou de la mémoire dynamique).

   • L'IA agit comme un assistant de cuisine : Elle nettoie la recette. Elle remplace les "tasses à mesurer" par des quantités fixes, elle supprime les ingrédients qui fondent trop vite, et elle prépare tout à l'avance. Elle rend la recette "fabriquable".

3. La Transformation et le Feedback (Le Cycle d'Essais) :
   C'est le cœur du système. L'IA essaie de transformer la recette propre en plans de construction.

   • L'erreur est la clé : Si les plans ne fonctionnent pas (le "four" refuse de cuire le gâteau), le système ne jette pas tout. Il regarde l'erreur, la renvoie à l'IA et dit : "Hey, tu as oublié de convertir ce chiffre en entier, corrige ça !".
   • C'est comme un jeu de devinettes guidé : L'IA propose, le logiciel de vérification rejette ou valide, et l'IA s'améliore à chaque tour jusqu'à ce que le résultat soit parfait.

4. La Vérification (Le Goût Final) :
   Une fois le code transformé, le système le teste des milliers de fois pour s'assurer qu'il donne exactement le même résultat que la recette originale. Si tout est bon, on a un circuit électronique prêt à être fabriqué.

🏆 Les Résultats : Plus Rapide, Plus Petit, mais parfois plus lent

Les chercheurs ont testé cette méthode sur les nouveaux standards de sécurité (Kyber, Dilithium, Falcon).

• Ce qui est génial :

  • Gain de temps : Ce qui prenait des semaines de travail manuel est fait en quelques heures.
  • Efficacité : Les circuits générés par l'IA sont souvent plus petits (ils utilisent moins de place sur la puce électronique) que ceux faits par des humains. C'est comme si l'IA trouvait des astuces pour ranger les meubles dans un petit appartement mieux que nous.
  • Accessibilité : Cela permet à des chercheurs qui ne sont pas experts en électronique de créer des puces de sécurité.

• Le petit bémol :

  • Parfois, pour être si petits, ces circuits sont un peu plus lents que les versions faites main par des experts. C'est comme une voiture très compacte et économe en carburant, mais qui n'atteint pas les vitesses de course d'une Ferrari.
  • Cependant, l'IA a déjà surpassé les autres tentatives d'IA existantes, prouvant que cette méthode "avec feedback" (qui apprend de ses erreurs) est bien meilleure que de simplement demander à l'IA de faire le travail d'un coup.

💡 En Résumé

LLM4PQC est un pont intelligent entre la théorie mathématique et la réalité matérielle. Il utilise une IA qui apprend de ses erreurs pour transformer des codes complexes en puces électroniques sécurisées, beaucoup plus vite et avec moins d'effort humain.

C'est un peu comme avoir un traducteur universel qui ne se contente pas de traduire les mots, mais qui comprend la grammaire, corrige les fautes de style, et s'assure que la phrase a du sens dans la nouvelle langue, le tout en boucle jusqu'à ce que ce soit parfait. C'est une étape majeure pour préparer notre monde numérique à l'ère quantique.

Résumé technique

Titre : LLM4PQC : Synthèse précise et efficace de cœurs de cryptographie post-quantique (PQC) par des LLMs pilotés par rétroaction

1. Problématique

La transition vers la cryptographie post-quantique (PQC) nécessite des implémentations matérielles efficaces pour protéger les infrastructures critiques contre les attaques des futurs ordinateurs quantiques. Cependant, le développement de ces accélérateurs matériels rencontre plusieurs obstacles majeurs :

• Complexité de la conversion : Les implémentations de référence du NIST sont écrites en C portable, privilégiant la clarté et la correction fonctionnelle, mais elles ne sont pas directement synthétisables par des outils de Synthèse de Haut Niveau (HLS).
• Obstacles de synthèse : Le code de référence contient des constructions incompatibles avec le matériel, telles que :
  • Des appels à des bibliothèques mathématiques non synthétisables (math.h : sin, cos, pow, etc.).
  • Une forte utilisation de l'arithmétique à virgule flottante.
  • L'initialisation de tables de constantes à l'exécution (ex: facteurs de twiddle pour les FFT/NTT).
  • L'utilisation de structures de données complexes et d'allocation dynamique de mémoire (malloc).
• Goulots d'étranglement manuels : La conversion traditionnelle de C vers le code HLS nécessite un refactoring manuel intensif et des itérations répétées, ralentissant l'exploration de l'espace de conception (DSE).

2. Méthodologie : Le Framework LLM4PQC

Les auteurs proposent LLM4PQC, un flux de travail automatisé et itératif utilisant des Modèles de Langage (LLM) pour transformer le code C de référence en code C prêt pour la synthèse HLS, avec une vérification complète. Le processus se déroule en quatre phases (illustrées dans la Fig. 1 du papier) :

1. Extraction des sous-routines PQC :

   • Au lieu de convertir l'ensemble du système, l'approche cible les noyaux de calcul critiques (ex: NTT, échantillonnage, FFT) qui dominent le temps d'exécution.
   • Un LLM (GPT-5.2 dans l'étude) identifie ces fonctions, extrait le code avec ses dépendances minimales et génère une infrastructure de vérification (tests KAT - Known Answer Tests) pour valider la fonctionnalité avant la conversion.

2. Prétraitement pour la conformité HLS :

   • Cette étape vise à éliminer les blocages de synthèse avant l'envoi au générateur HLS.
   • Cartographie mémoire statique : Transformation des allocations dynamiques (malloc) en tableaux statiques de taille fixe.
   • Suppression de l'initialisation à l'exécution : Les routines qui calculent des tables de constantes sont exécutées une fois pour générer des tableaux const compilés, remplaçant ainsi la logique d'initialisation dynamique par des constantes ROM.

3. Génération de code HLS-C et Exploration de l'Espace de Conception (DSE) :

   • Le code prétraité est soumis à un flux itératif intégrant l'outil C2HLSC (couplé au synthétiseur Catapult).
   • Boucle de rétroaction : Si la compilation ou la simulation échoue, les messages d'erreur sont renvoyés au LLM pour affiner le code.
   • Expansion des structures de données : Pour les structures complexes (ex: struct), le LLM est invité à les « décomposer » en variables primitives afin de faciliter le mappage matériel.
   • Optimisation : Le LLM introduit des pragmas HLS (déroulage de boucles, pipeline) guidés par les métriques de surface et de latence fournies par l'outil de synthèse.

4. Synthèse et Vérification :

   • Génération automatique de bancs de test RTL basés sur les KATs.
   • Vérification bout-en-bout via simulation RTL (ModelSim) et synthèse ASIC/FPGA.

3. Contributions Clés

1. Prétraitement piloté par LLM : Une méthode automatisée pour adapter le code C de référence aux exigences strictes du HLS (gestion de la mémoire statique, suppression des initialisations dynamiques).
2. Flux de travail structuré et itératif : Intégration d'un cycle de rétroaction complet (Compilation -> Simulation -> Synthèse -> Correction par LLM) pour garantir la correction fonctionnelle et la synthétisabilité.
3. Étude de cas empirique : Validation sur des algorithmes PQC standardisés du NIST (Kyber, Dilithium, Falcon), couvrant des primitives complexes comme le NTT, l'échantillonnage gaussien (Falcon) et la FFT.

4. Résultats Expérimentaux

L'étude a été menée sur cinq sous-routines (Kyber-NTT, Dilithium-NTT, Falcon-NTT, Falcon-Sampler, Falcon-FFT) avec des synthèses ASIC (Nangate 45nm) et FPGA (Artix-7, XCZU7EV).

• Taux de réussite :
  • Kyber-NTT, Dilithium-NTT et Falcon-FFT ont atteint un taux de réussite de 100 %.
  • Falcon-NTT et Falcon-Sampler ont montré des taux plus faibles (70 % et 40 % respectivement), principalement en raison de la complexité des structures de données et de l'arithmétique à virgule flottante, nécessitant plus d'itérations.
• Efficacité matérielle (ASIC) :
  • Les designs générés sont très compacts. Par exemple, Kyber-NTT occupe environ 2 957 µm², tandis que Falcon-FFT occupe ~56 800 µm².
  • L'outil a produit des designs avec une utilisation des ressources (LUTs, FFs) inférieure à plusieurs baselines manuelles pour Kyber et Dilithium.
• Comparaison avec l'état de l'art (FPGA) :
  • LLM4PQC surpasse le travail précédent basé sur LLM [18] en termes d'utilisation des registres (FF) et de latence pour l'échantillonneur Falcon.
  • Compromis Performance/Surface : Les designs générés par LLM4PQC sont très efficaces en surface (faible utilisation de ressources) mais présentent une latence plus élevée que les designs manuels optimisés. Cela s'explique par la tendance du LLM à privilégier des structures séquentielles compactes plutôt que des parallélisations agressives, sauf si explicitement guidé.

5. Signification et Perspectives

• Réduction de l'effort manuel : LLM4PQC démontre qu'il est possible d'automatiser la conversion de code C de référence complexe en accélérateurs matériels fonctionnels, réduisant considérablement le temps de développement.
• Validation de l'approche par rétroaction : L'article confirme qu'une approche « agentic » (où le LLM corrige ses erreurs basées sur les retours des outils de synthèse) est supérieure à une traduction directe par LLM.
• Défis persistants : La gestion des opérations à virgule flottante et la génération de designs à faible latence restent des défis. Les auteurs suggèrent des travaux futurs incluant le fine-tuning des LLMs sur des datasets HLS, l'utilisation de la génération augmentée par récupération (RAG) pour des motifs de code vérifiés, et l'intégration de modèles de prédiction PPA (Power, Performance, Area) pour accélérer l'exploration sans synthèse complète.

En conclusion, LLM4PQC offre une voie puissante et efficace pour synthétiser des accélérateurs matériels complexes pour la cryptographie post-quantique, comblant le fossé entre les implémentations logicielles de référence et les besoins matériels haute performance.