Knowledge Graphs, the Missing Link in Agentic AI-based Formal Verification
यह शोध पत्र एक सत्यापन-केंद्रित नॉलेज ग्राफ (Knowledge Graph) प्रस्तावित करता है जो विनिर्देशों (specifications), RTL और औपचारिक टूल फीडबैक से प्राप्त संरचित मध्यवर्ती निरूपणों को एकीकृत करता है ताकि एक मल्टी-एजेंट वर्कफ़्लो को निर्देशित किया जा सके, जिससे औपचारिक सत्यापन के लिए LLM-जनित सिस्टमवेरिलॉग एसर्शन (SystemVerilog Assertions) की ग्राउंडिंग, कंपिबिलिटी और कवरेज में महत्वपूर्ण सुधार होता है।
मूल पेपर CC0 1.0 (http://creativecommons.org/publicdomain/zero/1.0/) के तहत सार्वजनिक डोमेन को समर्पित है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि आप एक लिखित निर्देश पुस्तिका के आधार पर एक विशाल, अविश्वसनीय रूप से जटिल लेगो (LEGO) महल बनाने की कोशिश कर रहे हैं। मैनुअल साधारण अंग्रेजी में लिखा गया है, लेकिन महल हजारों छोटे, विशिष्ट ईंटों (हार्डवेयर डिज़ाइन) से बना है।
समस्या:
चिप डिज़ाइन की दुनिया में, इंजीनियर यह गणितीय रूप से सिद्ध करने के लिए कि महल ढहेगा नहीं, "फॉर्मल वेरिफिकेशन" का उपयोग करते हैं। इसे करने के लिए, वे नियमों का एक सेट लिखते हैं जिन्हें सिस्टमवरिलॉग एसेर्शन्स (SystemVerilog Assertions - SVAs) कहा जाता है। ये नियम कहते हैं जैसे कि, "यदि लाल बटन दबाया जाता है, तो नीला दरवाजा 3 सेकंड के भीतर खुलना चाहिए।"
पारंपरिक रूप से, ये नियम लिखना एक बुरा सपना है। इसके लिए एक इंसान को बिखरे हुए अंग्रेजी मैनुअल को पढ़ना, जटिल लेगो संरचना को देखना और उसे त्रुटि-रहित कोड में अनुवादित करना पड़ता है। यदि मैनुअल अस्पष्ट है या इंसान किसी विशिष्ट ईंट के बारे में एक सूक्ष्म विवरण को मिस कर देता है, तो नियम विफल हो जाता है, और पूरी वेरिफिकेशन प्रक्रिया क्रैश हो जाती है।
समाधान: एक "डिजिटल लाइब्रेरियन" (नॉलेज ग्राफ)
यह शोध पत्र AI की मदद करने का एक नया तरीका प्रस्तावित करता है। AI को केवल मैनुअल पढ़ने और अनुमान लगाने देने के बजाय, लेखकों ने एक नॉलेज ग्राफ (Knowledge Graph - KG) बनाया है।
नॉलेज ग्राफ को एक अति-व्यवस्थित डिजिटल लाइब्रेरियन के रूप में सोचें जो तीन चीजों को जोड़ता है:
- निर्देश: मूल अंग्रेजी आवश्यकताएं।
- ब्लूप्रिंट: वास्तविक हार्डवेयर डिज़ाइन (लेगो ईंटें)।
- फीडबैक: वेरिफिकेशन टूल्स के परिणाम (जैसे, "यह नियम विफल रहा क्योंकि दरवाजा पर्याप्त तेजी से नहीं खुला")।
लाइब्रेरियन इन चीजों को अलग-अलग ढेर के रूप में नहीं रखता है। यह कनेक्शन का एक जाल बनाता है। यदि आप लाइब्रेरियन से किसी विशिष्ट नियम के बारे में पूछते हैं, तो वह तुरंत मैनुअल से सटीक वाक्य, वह विशिष्ट ईंट जिसका वह संदर्भ देता है, और समान नियमों के साथ हुई पिछली त्रुटियों को निकाल लेता है।
टीम कैसे काम करती है (मल्टी-एजेंट वर्कफ़्लो)
लेखकों ने केवल लाइब्रेरियन ही नहीं बनाया; उन्होंने इस लाइब्रेरियन के साथ काम करने के लिए विशेषज्ञ AI "एजेंट्स" की एक टीम भी नियुक्त की है। कल्पना कीजिए कि यह एक निर्माण दल है जहाँ हर किसी के पास एक विशिष्ट कार्य है:
- आर्किटेक्ट (प्रॉपर्टी जनरेशन): यह एजेंट मैनुअल और लाइब्रेरियन के कनेक्शनों को देखता है और प्रारंभिक नियम लिखता है। क्योंकि लाइब्रेरियन सटीक संदर्भ प्रदान करता है, इसलिए नियम शुरू से ही सही होने की बहुत अधिक संभावना होती है।
- ग्रामर पुलिस (सिंटैक्स करेक्शन): यदि नियमों में टाइपो या कोडिंग त्रुटियां हैं, तो यह एजेंट उन्हें ठीक करता है। यह यह जांचने के लिए लाइब्रेरियन का उपयोग करता है कि क्या "गायब ईंट" वास्तव में कोड में एक गायब परिभाषा है।
- डिटेक्टिव (CEX करेक्शन): कभी-कभी एक नियम इसलिए विफल होता है क्योंकि डिज़ाइन वास्तव में टूटा हुआ होता है, या नियम बहुत सख्त था। यह एजेंट "अपराध स्थल" (एरर रिपोर्ट) को देखता है, ब्लूप्रिंट की जांच करता है, और नियम को अधिक निष्पक्ष बनाने के लिए उसे फिर से लिखता है या गलतफहमी को ठीक करता है।
- इंस्पेक्टर (कवरेज इम्प्रूवमेंट): यह एजेंट यह जांचता है कि क्या महल के कुछ हिस्से ऐसे हैं जिनका अभी तक परीक्षण नहीं किया गया है। यदि ऐसा है, तो यह नए नियमों के लिए लाइब्रेरियन से पूछता है ताकि उन विशिष्ट क्षेत्रों का परीक्षण किया जा सके।
परिणाम
टीम ने इन सात अलग-अलग "महलों" (चिप डिज़ाइनों) पर इस प्रणाली का परीक्षण किया, जो साधारण काउंटरों से लेकर जटिल मेमोरी सिस्टम तक विस्तृत हैं।
- सफलता: सिस्टम लगातार ऐसे नियम बनाता है जिन्हें कंप्यूटर वास्तव में पढ़ और चला सकता है (कंपाइलेबल कोड)। इसने "टाइपो" और बुनियादी त्रुटियों की संख्या को काफी कम कर दिया।
- कवरेज: सिस्टम ने डिज़ाइन के व्यवहार के 78.5% से 99.4% तक का सत्यापन किया, जो सफलता की एक बहुत उच्च दर है।
- सीमा: हालांकि सिस्टम छोटी गलतियों को ठीक करने और कड़ियों को जोड़ने में बहुत अच्छा है, लेकिन यह सबसे कठिन पहेलियों के साथ संघर्ष करता है। यदि किसी नियम के लिए जटिल, दीर्घकालिक तर्क की आवश्यकता होती है (जैसे, "यदि आज यह होता है, तो इसका प्रभाव तीन दिन बाद होने वाली उस घटना पर पड़ना चाहिए"), तो लाइब्रेरियन की मदद के बावजूद AI कभी-कभी फंस जाता है।
सारांश में
यह पेपर एक ऐसी प्रणाली पेश करता है जहाँ AI केवल चिप्स को सत्यापित करने का अनुमान नहीं लगाता है। इसके बजाय, यह लिखित आवश्यकताओं को सीधे हार्डवेयर डिज़ाइन और परीक्षण परिणामों से जोड़ने के लिए एक संरचित मानचित्र (नॉलेज ग्राफ) का उपयोग करता है। यह AI विशेषज्ञों की एक टीम को पहले की तुलना में बहुत अधिक विश्वसनीय रूप से सत्यापन नियम लिखने, सुधारने और बेहतर बनाने की अनुमति देता है, जिससे एक अराजक अनुमान लगाने वाले खेल को एक संरचित, ट्रैसेबल प्रक्रिया में बदल दिया जाता है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।