Knowledge Graphs, the Missing Link in Agentic AI-based Formal Verification
本文提出了一种以验证为核心的知识图谱，该图谱整合了来自规范、RTL 及形式化工具反馈的结构化中间表示，以指导多智能体工作流，从而显著提升了大语言模型生成的用于形式验证的系统Verilog断言的 grounded 性、可编译性和覆盖率。
原始论文根据 CC0 1.0（http://creativecommons.org/publicdomain/zero/1.0/）发布到公有领域。 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
想象一下，你正试图根据一份书面说明书，建造一座巨大且极其复杂的乐高城堡。这份说明书是用 plain English（通俗英语）撰写的，但城堡是由成千上万块微小且特定的积木（硬件设计）搭建而成的。
问题：
在芯片设计领域，工程师使用“形式验证”来从数学上证明这座城堡不会倒塌。为此，他们编写了一套称为**SystemVerilog 断言（SVAs）**的严格规则。这些规则表述诸如：“如果按下红色按钮，蓝色门必须在 3 秒内打开。”
传统上，编写这些规则是一场噩梦。它需要人类阅读混乱的英文说明书，审视复杂的乐高结构，并将其转化为完美无误的代码。如果说明书含糊不清，或者人类遗漏了关于某块特定积木的微小细节，规则就会失败，导致整个验证过程崩溃。
最近，人工智能（AI）被用于自动生成这些规则。但 AI 常常感到困惑。它阅读了说明书，却“看不见”乐高积木，导致生成的规则要么语法错误，要么对实际设计毫无意义。
解决方案：一位“数字图书管理员”（知识图谱）
本文提出了一种新方法来帮助 AI。作者没有仅仅让 AI 阅读说明书并猜测，而是构建了一个知识图谱（KG）。
将知识图谱想象成一位超级有条理的数字图书管理员，它连接了三样事物：
- 指令：原始的英文需求。
- 蓝图：实际的硬件设计（乐高积木）。
- 反馈：验证工具的结果（例如：“此规则失败，因为门打开得不够快”）。
这位图书管理员并非将这些内容作为一堆堆独立的纸张存储。它创建了一个连接网络。如果你向图书管理员询问某条特定规则，它会立即调出说明书中的确切句子、该规则所指的具体积木，以及以往类似规则发生的任何错误。
团队运作方式（多智能体工作流）
作者不仅构建了这位图书管理员，还聘请了一支由专门的 AI“智能体”组成的团队与之协作。想象一支施工队，每个人都有自己的特定工作：
- 建筑师（属性生成）：该智能体查看说明书和图书管理员的连接关系，以编写初始规则。由于图书管理员提供了确切上下文，这些规则从一开始就更有可能正确。
- 语法警察（语法修正）：如果规则存在拼写错误或编码错误，该智能体负责修正。它利用图书管理员来检查“缺失的积木”是否实际上是代码中缺失的定义。
- 侦探（CEX 修正）：有时规则失败是因为设计本身存在缺陷，或者规则过于严格。该智能体查看“犯罪现场”（错误报告），检查蓝图，并重新编写规则使其更公平，或修正误解。
- 检查员（覆盖率改进）：该智能体检查城堡是否有任何部分尚未被测试。如果有，它会向图书管理员请求新规则，以测试这些特定区域。
结果
该团队在七座不同的“城堡”（芯片设计）上测试了此系统，范围从简单的计数器到复杂的存储系统。
- 成功：该系统持续生成计算机能够实际读取和运行的规则（可编译代码）。它大幅减少了“拼写错误”和基本错误的数量。
- 覆盖率：该系统成功验证了设计行为的78.5% 至 99.4%，这是一个非常高的成功率。
- 局限：虽然该系统擅长修复小错误和建立关联，但在面对最难的谜题时仍显吃力。如果规则需要复杂的长期逻辑（例如“如果今天发生此事，它必须在三天后影响那个事件”），即使有图书管理员的帮助，AI 有时也会陷入困境。
总结
本文介绍了一种系统，其中 AI 不再仅仅猜测如何验证计算机芯片。相反，它利用**结构化地图（知识图谱）**将书面需求直接链接到硬件设计和测试结果。这使得一组 AI 专家能够比以往更可靠地编写、修复和改进验证规则，将混乱的猜谜游戏转变为一种结构化、可追溯的过程。
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。