Spec2RTL-Agent: Автоматизированная генерация аппаратного кода из сложных спецификаций с использованием систем агентов на основе LLM

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

June 16, 2025

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

cs.AI

Аннотация

Несмотря на недавние успехи в генерации аппаратного кода на уровне регистровых передач (RTL) с использованием языковых моделей (LLM), существующие решения по-прежнему сталкиваются с существенным разрывом между практическими сценариями применения и требованиями реальной разработки RTL-кода. Предыдущие подходы либо сосредоточены на чрезмерно упрощенных описаниях аппаратного обеспечения, либо зависят от обширного человеческого руководства для обработки сложных спецификаций, что ограничивает их масштабируемость и потенциал автоматизации. В данной статье мы устраняем этот разрыв, предлагая систему агентов на основе LLM, названную Spec2RTL-Agent, которая предназначена для непосредственной обработки сложной документации спецификаций и генерации соответствующих реализаций RTL-кода, продвигая генерацию RTL-кода на основе LLM к более реалистичным условиям применения. Для достижения этой цели Spec2RTL-Agent представляет новую структуру многозадачного взаимодействия, которая интегрирует три ключевых компонента: (1) модуль рассуждения и понимания, который преобразует спецификации в структурированные пошаговые планы реализации; (2) модуль прогрессивного кодирования и оптимизации запросов, который итеративно улучшает код на нескольких уровнях представления для повышения корректности и синтезируемости при преобразовании в RTL; и (3) адаптивный модуль рефлексии, который выявляет и отслеживает источники ошибок в процессе генерации, обеспечивая более надежный процесс создания кода. Вместо прямой генерации RTL из естественного языка наша система стратегически генерирует синтезируемый код на C++, который затем оптимизируется для высокоуровневого синтеза (HLS). Такой подход, основанный на агентах, обеспечивает большую корректность и совместимость по сравнению с наивными методами прямой генерации RTL. Мы оцениваем Spec2RTL-Agent на трех документах спецификаций, демонстрируя, что она генерирует точный RTL-код с до 75% меньшим количеством человеческих вмешательств, чем существующие методы. Это подчеркивает ее роль как первой полностью автоматизированной многозадачной системы для генерации RTL из неструктурированных спецификаций, снижая зависимость от человеческих усилий в проектировании аппаратного обеспечения.

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.