Spec2RTL-Agent: Geautomatiseerde Generatie van Hardwarecode uit Complexe Specificaties met behulp van LLM-Agentsystemen

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

Samenvatting

Ondanks recente vooruitgang in het genereren van hardware RTL-code met LLM's, kampen bestaande oplossingen nog steeds met een aanzienlijke kloof tussen praktische toepassingsscenario's en de vereisten van real-world RTL-codeontwikkeling. Eerdere benaderingen richten zich ofwel op te vereenvoudigde hardwarebeschrijvingen of zijn afhankelijk van uitgebreide menselijke begeleiding om complexe specificaties te verwerken, wat hun schaalbaarheid en automatiseringspotentieel beperkt. In dit artikel pakken we deze kloof aan door een LLM-agentensysteem voor te stellen, genaamd Spec2RTL-Agent, dat is ontworpen om complexe specificatiedocumentatie direct te verwerken en de bijbehorende RTL-code-implementaties te genereren, waardoor LLM-gebaseerde RTL-codegeneratie wordt bevorderd naar meer realistische toepassingsomgevingen. Om dit doel te bereiken, introduceert Spec2RTL-Agent een nieuw multi-agent samenwerkingsframework dat drie belangrijke enablers integreert: (1) een redeneer- en begripsmodule die specificaties vertaalt naar gestructureerde, stapsgewijze implementatieplannen; (2) een progressieve coderings- en promptoptimalisatiemodule die de code iteratief verfijnt over meerdere representaties om de correctheid en synthetiseerbaarheid voor RTL-conversie te verbeteren; en (3) een adaptieve reflectiemodule die de bron van fouten tijdens de generatie identificeert en traceert, waardoor een robuustere codegeneratiestroom wordt gegarandeerd. In plaats van direct RTL te genereren uit natuurlijke taal, genereert ons systeem strategisch synthetiseerbare C++-code, die vervolgens wordt geoptimaliseerd voor HLS. Deze agent-gestuurde verfijning zorgt voor een grotere correctheid en compatibiliteit in vergelijking met naïeve directe RTL-generatiebenaderingen. We evalueren Spec2RTL-Agent op drie specificatiedocumenten, waaruit blijkt dat het nauwkeurige RTL-code genereert met tot 75% minder menselijke interventies dan bestaande methoden. Dit onderstreept zijn rol als het eerste volledig geautomatiseerde multi-agent systeem voor RTL-generatie uit ongestructureerde specificaties, waardoor de afhankelijkheid van menselijke inspanning in hardwareontwerp wordt verminderd.

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.