UniRTL: Unifying Code and Graph for Robust RTL Representation Learning
UniRTL 是一个多模态预训练框架，它通过细粒度对齐和分层训练，将 RTL 代码与控制数据流图统一起来，从而生成在硬件设计自动化任务中优于现有单模态方法的鲁棒表示。
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
想象一下，你正试图教一个机器人如何理解一台复杂机器的工作原理。在计算机芯片的世界里，这台机器有两种不同的描述方式：
- 配方（RTL 代码）： 这是工程师编写的文本文件。它就像一本食谱，用特定的语言（Verilog）列出了每一种原料和每一个步骤。它告诉你“要做什么”，但如果你仅仅阅读文字，可能会忽略这些原料在物理上是如何连接在一起的。
- 蓝图（CDFG）： 这是一个视觉地图或流程图。它展示了电流经过的确切路径、在哪里分裂、在哪里等待，以及不同部分之间是如何通信的。它非常擅长展示结构，但并不总是能像文本那样清晰地解释“为什么”以及具体的指令内容。
问题所在
直到现在，大多数试图理解这些芯片的 AI 工具都是“单项冠军”。它们要么只研究“配方”（代码），要么只研究“蓝图”（图结构）。
- 如果你只读配方，你可能会错过电路中一个关键的捷径。
- 如果你只看蓝图，你可能会错过那些解释机器实际用途的具体指令。
UniRTL 的作者认为，要真正理解一颗芯片，你需要同时阅读“配方”并观察“蓝图”。
解决方案：UniRTL
UniRTL 是一种全新的“超级教师”。它不仅仅是分别观察代码或图结构；它学会了流利地使用这两种语言，并理解它们是如何相互关联的。
以下是它的工作原理，使用一个简单的类比：
1. “翻译官”（图感知分词器/Graph-Aware Tokenizer）
想象一下，蓝图（图结构）是用一种标准 AI 无法很好理解的秘密代码编写的。在 AI 开始学习之前，UniRIL 构建了一个特殊的翻译官。这个翻译官观察蓝图，并将复杂的布线路径转换为 AI 能够轻松消化的语言，同时保留了各部分如何连接的所有微小且复杂的细节。
2. “热身训练”（层级化训练/Hierarchical Training）
AI 不会直接跳入最难的部分。它采用了一种层级化方法：
- 第一步： 它首先学习将配方（代码）与描述（人类编写的功能摘要）进行匹配。这就像是一个热身练习，AI 通过它来学习基础词汇和含义。
- 第二步： 一旦它掌握了这些，它就会引入蓝图（图结构）。现在，它必须学习配方中的特定单词是如何与蓝图中的特定线条相连接的。
3. “蒙眼游戏”（相互掩码建模/Mutual Masked Modeling）
这是核心秘诀。为了强迫 AI 真正理解文本与地图之间的联系，研究人员玩了一个蒙眼游戏：
- 他们遮住（掩码）配方中的一个单词，要求 AI 利用蓝图和其他单词来猜出这个词。
- 然后，他们遮住蓝图的一部分，要求 AI 利用配方来猜出它是什么。
通过玩这个游戏，AI 被迫学习到：文本中的“时钟（clock）”一词必须对应于蓝图中特定的“时钟”节点。它学习到了两者之间深层的、隐藏的关系，而不仅仅是死记硬背。
他们测试了什么？
团队在两个主要任务上测试了这个新 AI：
- 性能预测： 在芯片制造出来之前，AI 能否猜出芯片的大小或运行速度？（就像仅通过查看汽车蓝图和说明书，就能猜出汽车的重量和速度一样）。
- 寻找正确的部件（代码检索）： 如果你问：“我需要一个可以进行加减计数的部件”，AI 能否从数百万个设计的庞大库中找到那段精确的代码？
实验结果
UniRTL 赢了。它始终击败了所有之前的“单项冠军”方法。
- 它预测芯片性能的准确度高于那些仅观察代码或仅观察图结构的工具。
- 它寻找正确代码部分的效率和准确度都高于其他搜索工具。
底线结论
论文声称，通过结合“文本”（代码）和“结构”（图），并通过一个巧妙的训练游戏来教授 AI 如何使它们契合，我们可以构建出更智能的芯片设计工具。这使得硬件设计的整个过程变得更快、更便宜、也更可靠。
注：本文档严格专注于硬件设计自动化（芯片）。它并不声称可用于医疗诊断、临床应用或芯片领域之外的其他领域。
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。