Resumo Técnico: UniRTL

Definição do Problema

O desenvolvimento de representações eficazes para designs de Nível de Transferência de Registrador (RTL) é crítico para acelerar o fluxo de trabalho de design de hardware, particularmente para tarefas como previsão de desempenho e recuperação de código. As abordagens existentes dependem tipicamente de uma única modalidade de dados: ou o código-fonte RTL ou uma representação baseada em grafos (como um Grafo de Fluxo de Dados de Controle, CDFG). Essa dependência unimodal limita a capacidade de expressão e a generalização das representações aprendidas. Enquanto o código codifica explicitamente informações semânticas e funcionais, as modalidades de grafo capturam relações estruturais críticas que são opacas no código. Além disso, tentativas multimodais anteriores no domínio do software (ex: GraphCodeBERT) ou no domínio do hardware (ex: CircuitFusion) sofrem de estratégias de alinhamento fracas, representações de grafos incompletas (omitindo operadores e fluxo de controle) ou mecanismos de fusão de granularidade grossa que falham em aproveitar plenamente a natureza complementar dos dados de código e grafo.

Metodologia

Os autores propõem o UniRTL, um framework de pré-treinamento multimodal projetado para aprender representações de RTL unificadas, aproveitando conjuntamente o código RTL e os CDFGs. A metodologia é construída sobre três componentes principais:

1. Construção do Conjunto de Dados

O framework utiliza um conjunto de dados de 132.008 designs de RTL coletados de fontes que incluem RTLCoder, MG-Verilog, DeepRTL e DeepCircuitX. Esses designs são emparelhados com resumos funcionais. Para gerar os CDFGs, os designs são compilados em Linguagem Intermediária de RTL (RTLIL) usando Yosys, analisados em Árvores de Sintaxe Abstrata (ASTs) via Stagira, e percorridos para extrair os CDFGs. Embora 38.888 designs tenham sido convertidos com sucesso em CDFGs, as amostras ruidosas restantes (que falharam na conversão) são mantidas para alinhamento texto-código para maximizar a utilização de dados.

2. Arquitetura do Modelo

O UniRTL emprega uma arquitetura Transformer unificada (baseada em CodeBERT-base-mlm) para integrar diferentes modalidades, evitando a complexidade de codificadores específicos por modalidade.

• Tokenizador Sensível a Grafos: Diferente de trabalhos anteriores que achatam nós de variáveis, o UniRTL introduz um tokenizador especializado combinando uma Rede de Isomorfismo de Grafo (GIN) e um Transformer leve. Este tokenizador codifica tipos de nós, larguras e descrições textuais, capturando tanto dependências estruturais locais quanto informações contextuais globais dentro do CDFG.
• Estratégia de Treinamento Hierárquico:
  • Pré-treinamento: O tokenizador sensível a grafos é primeiro pré-treinado usando modelagem de nó mascarado estrutural e previsão de arestas.
  • Alinhamento Texto-Código: Antes de incorporar dados de grafo, o modelo passa por um estágio de aquecimento (warm-up) alinhando resumos funcionais (texto) e código-fonte RTL usando modelagem de máscara mútua. Isso maximiza a utilização de dados, dada a abundância de pares texto-código.
  • Incorporação de Grafo: Finalmente, a informação de grafo é integrada. O modelo emprega modelagem de máscara mútua para alcançar um alinhamento cross-modal de granularidade fina. Nesta etapa, tokens mascarados no texto e no código são recuperados usando o contexto das outras modalidades, e nós de grafo mascarados são recuperados usando o contexto do texto e do código. Codificações posicionais globais derivadas do Laplaciano do grafo são adicionadas para preservar a estrutura topológica.

Principais Contribuições

• Framework Multimodal Unificado: O UniRTL é o primeiro framework a aproveitar conjuntamente o código RTL e CDFGs completos para o aprendizado de representação, abordando as limitações das abordagens unimodais.
• Alinhamento de Granularidade Fina: Através da modelagem de máscara mútua, o UniRTL alcança um alinhamento de granularidade fina entre código e grafo, superando o aprendizado contrastivo de granularidade grossa usado em trabalhos anteriores como o CircuitFusion.
• Representação de Grafo Completa: O framework utiliza CDFGs que preservam a informação completa do design (incluindo operadores e fluxo de controle) e podem ser fielmente convertidos de volta para código, ao contrário de fluxos de dados simplificados ou subcircuitos de nível de registrador usados em estudos anteriores.
• Treinamento Hierárquico: A estratégia de pré-treinar um tokenizador sensível a grafos e realizar o alinhamento texto-código antes da integração do grafo otimiza a utilização de dados e o desempenho do modelo.

Resultados Experimentais

O UniRло foi avaliado em duas tarefas de downstream sob múltiplas configurações:

1. Previsão de Desempenho: O modelo previu área e atraso pós-síntese, tanto com quanto sem informação de netlist.

   • Resultados: O UniRTL superou consistentemente todos os baselines, incluindo StructRTL, VeriDistill, DeepRTL2 e GraphCodeBERT, em todas as métricas (MAE, MAPE, R2, RRSE).
   • Ablação: Remover o componente de grafo degradou significativamente o desempenho, confirmando a necessidade da informação estrutural. Remover o componente de código causou uma leve queda, indicando valor complementar.
   • Integração de Netlist: Mesmo incorporando informação de netlist via destilação de conhecimento (usando um modelo professor treinado em netlists), o UniRTL alcançou resultados de estado da arte.

2. Recuperação de Código: O modelo foi testado em Busca de Código por Linguagem Natural e Verificação de Equivalência de Funcionalidade.

   • Resultados: O UniRTL alcançou os maiores F1-scores em Busca de Código por Linguagem Natural e a maior Precisão Média (AP) em Verificação de Equivalência de Funcionalidade, superando modelos de embedding de propósito geral e modelos especializados de RTL.
   • Ablação: A variante "UniRTL (w/o graph)" teve um desempenho significativamente inferior ao modelo completo na busca de código, destacando a importância da informação de grafo para a compreensão semântica.

Significância e Alegações

O artigo afirma que o UniRTL estabelece uma base mais robusta e poderosa para o avanço da automação de design de hardware. Ao integrar modalidades complementares através de alinhamento de granularidade fina, o UniRTL supera os limites de expressividade das abordagens de modalidade única. Os autores enfatizam que sua abordagem fornece uma compreensão abrangente dos designs de RTL, permitindo feedback instantâneo sobre métricas de qualidade e reuso eficiente de módulos de design. O trabalho é apresentado como um passo em direção a sistemas de geração de código RTL mais eficazes baseados em geração aumentada de recuperação (RAG) e estimativas de desempenho mais precisas sem depender de síntese lógica demorada.

Os autores observam limitações, incluindo a dependência de conversão bem-sucedida de CDFG, a restrição atual ao Verilog e a avaliação sob configurações de síntese fixas. Eles identificam a extensão do framework para outras linguagens de descrição de hardware, designs industriais maiores e diversos fluxos de síntese como trabalhos futuros importantes.