PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2606.19347v1cs.CL

하드웨어 설계를 위한 레지스터 전송 수준(RTL) 코딩에서 대규모 언어 모델(LLM)은 어떻게 실패하고 일반화되는가?

How LLMs Fail and Generalize in RTL Coding for Hardware Design?

순차적 프로그래밍 사전 지식을 하드웨어 설계의 병렬 시간 논리로 변환하는 것은 대규모 언어 모델(LLM)에게 여전히 중요한 병목 현상입니다. 이를 조사하기 위해, 우리는 인지 이론에서 영감을 받아 문제 해결 가능성에 기반한 새로운 오류 분류 체계를 소개합니다. 우리의 분류 체계는 실패를 구문적, 의미적, 해결 가능한 기능적, 그리고 해결 불가능한 기능적 유형으로 분류합니다. 평가 결과 VerilogEval 벤치마크에서 엄격한 경험적 상한선이 드러났으며, 최첨단 모델들은 90.8%의 초기 통과율에서 정체되었습니다. 이러한 정체는 해결 불가능한 기능적 오류로 정의되며, 테스트 타임 컴퓨트 스케일링에도 영향받지 않는 지속적인 지식 격차를 드러냅니다. 더 나아가, 우리는 놀라운 표면적 수렴 격차를 밝혀냈습니다: 최적화는 구문 오류를 쉽게 제거하지만 동시에 더 깊은 기능적 실패를 악화시킵니다. 우리의 연구 결과는 정렬 기법이 단순히 모델이 컴파일하도록 가르칠 뿐임을 보여줍니다. 반복 샘플링 전략이 해결 가능한 오류를 해결할 수 있지만, 레지스터 전송 수준(RTL) 코딩 능력은 여전히 사전학습 지식에 의해 엄격하게 제한됩니다. 현재 LLM 기반 하드웨어 생성 파이프라인의 문제를 해결하려면 정렬 개입보다는 모델 추론에 대한 더 많은 연구가 필요합니다.