Spec2RTL-Agent : Génération Automatisée de Code Matériel à partir de Spécifications Complexes Utilisant des Systèmes d'Agents LLM

Spec2RTL-Agent: Automated Hardware Code Generation from Complex Specifications Using LLM Agent Systems

June 16, 2025

Auteurs: Zhongzhi Yu, Mingjie Liu, Michael Zimmer, Yingyan Celine Lin, Yong Liu, Haoxing Ren

cs.AI

Résumé

Malgré les progrès récents dans la génération de code RTL matériel avec des LLM, les solutions existantes souffrent encore d'un écart substantiel entre les scénarios d'application pratiques et les exigences du développement réel de code RTL. Les approches antérieures se concentrent soit sur des descriptions matérielles excessivement simplifiées, soit dépendent d'une guidance humaine extensive pour traiter des spécifications complexes, limitant ainsi leur potentiel de scalabilité et d'automatisation. Dans cet article, nous comblons cet écart en proposant un système d'agents LLM, appelé Spec2RTL-Agent, conçu pour traiter directement la documentation de spécifications complexes et générer les implémentations de code RTL correspondantes, faisant ainsi progresser la génération de code RTL basée sur les LLM vers des contextes d'application plus réalistes. Pour atteindre cet objectif, Spec2RTL-Agent introduit un cadre de collaboration multi-agents novateur qui intègre trois facilitateurs clés : (1) un module de raisonnement et de compréhension qui traduit les spécifications en plans d'implémentation structurés et étape par étape ; (2) un module de codage progressif et d'optimisation des prompts qui affine itérativement le code à travers plusieurs représentations pour améliorer la correction et la synthétisabilité pour la conversion RTL ; et (3) un module de réflexion adaptative qui identifie et retrace la source des erreurs pendant la génération, assurant un flux de génération de code plus robuste. Au lieu de générer directement du RTL à partir du langage naturel, notre système génère stratégiquement du code C++ synthétisable, qui est ensuite optimisé pour la synthèse de haut niveau (HLS). Ce raffinement piloté par des agents garantit une plus grande correction et compatibilité par rapport aux approches naïves de génération directe de RTL. Nous évaluons Spec2RTL-Agent sur trois documents de spécifications, montrant qu'il génère un code RTL précis avec jusqu'à 75 % d'interventions humaines en moins que les méthodes existantes. Cela souligne son rôle en tant que premier système multi-agents entièrement automatisé pour la génération de RTL à partir de spécifications non structurées, réduisant ainsi la dépendance à l'effort humain dans la conception matérielle.

English

Despite recent progress in generating hardware RTL code with LLMs, existing solutions still suffer from a substantial gap between practical application scenarios and the requirements of real-world RTL code development. Prior approaches either focus on overly simplified hardware descriptions or depend on extensive human guidance to process complex specifications, limiting their scalability and automation potential. In this paper, we address this gap by proposing an LLM agent system, termed Spec2RTL-Agent, designed to directly process complex specification documentation and generate corresponding RTL code implementations, advancing LLM-based RTL code generation toward more realistic application settings. To achieve this goal, Spec2RTL-Agent introduces a novel multi-agent collaboration framework that integrates three key enablers: (1) a reasoning and understanding module that translates specifications into structured, step-by-step implementation plans; (2) a progressive coding and prompt optimization module that iteratively refines the code across multiple representations to enhance correctness and synthesisability for RTL conversion; and (3) an adaptive reflection module that identifies and traces the source of errors during generation, ensuring a more robust code generation flow. Instead of directly generating RTL from natural language, our system strategically generates synthesizable C++ code, which is then optimized for HLS. This agent-driven refinement ensures greater correctness and compatibility compared to naive direct RTL generation approaches. We evaluate Spec2RTL-Agent on three specification documents, showing it generates accurate RTL code with up to 75% fewer human interventions than existing methods. This highlights its role as the first fully automated multi-agent system for RTL generation from unstructured specs, reducing reliance on human effort in hardware design.