Large Language Model for Verilog Code Generation: Literature Review and the Road Ahead
本文对 102 项关于使用大语言模型进行 Verilog 代码生成的的研究进行了全面的系统性文献综述，分析了当前的方法、数据集和对齐策略，同时识别了局限性并提出了旨在推进自动化硬件设计的未来研究路线图。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一个这样的世界：地球上最复杂的机器蓝图不再由人类之手书写，而是由一台能够阅读并理解自然语言的计算机来完成。这是电子设计的前沿领域，工程师们通过一种被称为 Verilog 的专门语言来描述硅芯片应当如何运作。几十年来，这一过程一直是一项细致入微、高度依赖人工的任务，需要深厚的专业知识来确保生成的电路功能正确、符合物理空间限制且不会过热。最近，一种被称为大语言模型的全新人工智能开始进入这一领域。这些模型已经证明了自己编写计算机软件的能力，现在正接受测试，以观察它们是否也能设计硬件。其中的利害关系极高：随着芯片变得越来越复杂，人类生产力与现代技术需求之间的差距正在扩大，这种瓶颈威胁着从智能手机到超级计算机等所有领域的创新速度。
由来自中国、澳大利亚和新加坡的研究人员组成的团队在 2025 年发表了一篇全面的综述，旨在描绘这一快速演变的领域图景。由杨光（Guang Yang）和郑伟（Wei Zheng）领导的作者们不仅观察了几项近期的实验；他们还对数千篇学术论文和预印本进行了系统性的搜索，以寻找每一项应用这些强大 AI 模型进行 Verilog 代码生成的的研究。经过严格的筛选过程，他们最终确定了 102 项发表于 2020 年至 2025 年间的高质量研究。他们的目标是了解目前正在使用哪些工具、这些工具的测试效果如何、哪些技术可以提升其性能，以及生成的设计是否足够安全可靠，能够投入实际应用。
研究人员发现，该领域在短短几年内便实现了爆发式增长，从 2020 年的一项研究增长到 2025 年仅一年的 66 篇论文。他们发现，驱动这一进步的 AI 模型主要分为两大类。第一类是通用型模型，即那些能够写故事或回答问题的模型，研究人员正试图将它们适配于硬件设计。第二类则是经过大量 Verilog 代码专门训练或微调的模型。在研究人员可用的开源模型中，基于 Llama 和 DeepSeek 架构的系列模型成为了最受欢迎的选择，而来自大型科技公司的闭源模型，特别是 GPT 系列，在原始使用量方面仍占据主导地位。该综述强调了一个明显的趋势：虽然通用模型可以生成代码，但最理想的结果来自于那些已经被教授了硬件设计特定规则和逻辑的模型。
为了了解这些 AI 生成的设计是否真的有效，研究人员检查了科学家们是如何对其进行测试的。他们发现，该领域正在从仅检查代码文本是否正确的简单检查，转向使用“测试平台”（testbenches）——这是一种自动化的模拟过程，通过运行生成的代码来观察其行为是否完全符合预期。该综述分类整理了数十个此类测试数据集，并指出虽然许多数据集仍然规模较小，但最好的数据集包含了数千个带有详细指令和验证方案的示例。一个关键的发现是，用于训练这些模型的数据质量与模型本身同样重要。研究人员正越来越多地构建不仅包含代码，还包含推理步骤和特定硬件约束的数据集，从而教会 AI 像工程师一样思考，而不仅仅是一个文本预测器。
该论文还详细介绍了研究人员用来改进这些模型的方法。有些方法不需要改变模型本身，而是使用巧妙的提示词技术，或者要求 AI 在最终确定设计之前根据标准工程工具对自己的工作进行检查。其他方法则涉及在专门数据上对模型进行进一步训练，或使用一种称为强化学习的技术，即如果模型生成的代码能通过严格测试则给予奖励，若出现错误则予以惩罚。综述表明，结合这些策略——特别是让多个 AI 代理协同工作（一个负责设计，一个负责检查，一个负责优化）——可以取得最好的结果。然而，作者警告说，即便有了这些改进，这项技术也尚未达到完美。模型在处理硬件的复杂并行特性方面仍然存在困难，有时会生成看起来正确但在实际制造时会失败的代码。
或许最重要的一点是，该综述探讨了将设计任务交给 AI 所带来的风险。研究人员分析了当前研究如何处理安全性、效率和版权问题。他们发现，尽管在防止 AI 生成带有隐藏漏洞或窃取知识产权的代码方面取得了一些进展，但这些领域仍处于欠发达状态。模型有时会产生“幻觉”，即创造出听起来合理但包含逻辑错误的方案，而这些错误只有在芯片制造出来后才会显现。作者总结道，虽然大语言模型在变革我们构建硬件的方式方面具有巨大潜力，但未来的道路需要的不仅仅是更好的代码生成。它需要新一代的基准测试，以测试物理约束，需要更强的安全机制，以及能够让工程师与 AI 进行紧密协作的工具。他们认为，该领域的未来不在于取代人类设计师，而在于创造智能助手，使其能够在处理现代芯片复杂性的同时，让位于人类专家，以确保安全性与可靠性。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。