BTTF面向芯片设计验证智能体系统的EDA基础设施重构方案原文网页https://arxiv.org/html/2610.06790v1PDF链接https://arxiv.org/pdf/2610.06790v1arXiv编号arXiv:2610.06790v1 [cs.AI]提交日期2026‑10‑05摘要现代人工智能巨大算力建立在数十亿晶体管规模的复杂片上系统SoC之上但芯片验证工作流至今仍然高度依赖人工操作。尽管大语言模型在电子设计自动化EDA领域发展迅速但现有约74.6%的相关研究集中在静态寄存器传输级RTL代码生成后仿真验证、交互式波形调试方向的研究存在大量空白。本文提出BTTFBack‑to‑the‑Future端到端智能体框架填补这项基础设施层面的技术缺口。BTTF将海量非结构化仿真转储文件提炼、归一化为关系型SQLite数据库搭配协同式多智能体编排引擎可以将自然语言验证查询转换为符合数据库范式的SQL语句并将信号异常与版本化RTL代码仓库做关联分析。在包含150条专家标注查询的评测基准上BTTF实现95.33%执行准确率为实现自主EDA芯片验证提供可行技术路径。关键词电子设计自动化EDA芯片验证波形调试多智能体文本转SQLRTL仿真波形数据库基础设施目录引言相关工作BTTF整体框架3.1 波形预处理流水线3.2 大模型驱动多智能体编排引擎实验结果4.1 实验环境与评测基准4.2 波形预处理压缩性能4.3 框架整体任务准确率4.4 单智能体 vs 多智能体架构对比讨论与结论参考文献附录A 详细查询执行流程与输出样例1 引言摩尔定律逼近极限之后AI算力持续增长高度依赖异构片上系统SoC。随着芯片架构复杂度持续提升基于硬件描述语言HDL的设计流程迭代繁重、极易引入缺陷。验证环节占用芯片开发周期70%以上工时是现代芯片设计的主要瓶颈功能缺陷流入全芯片回归测试或者硅后测试会带来指数级上升的资金与项目进度损失。因此RTL级验证与分析自动化是EDA领域具备极高价值的研究目标。大语言模型推动了大量AI辅助EDA研究但研究方向分布极不均衡约74.6%的LLM硬件相关研究聚焦前端RTL代码生成与综合后仿真波形调试、动态验证方向研究严重不足。硬件开发既需要设计综合同样离不开严苛测试这就造成大量自动化潜力没有被挖掘。少数已有的LLM辅助验证工作几乎只处理静态源代码或者玩具规模仿真日志。而真实后仿真交互式调试是难度更高的任务仿真出错后工程师需要在波形查看工具中人工浏览TB级时序转储文件逆向追踪非法信号跳变在HDL层级的原始根源。原始波形数据会带来基础设施阻抗问题Infrastructural Impedance原始ASCII波形转储文件尺寸远超模型上下文窗口没有结构化语义索引不存在可供自主智能体调用的原生低延迟查询接口大模型智能体无法直接接入该调试流程。本文BTTF框架并不试图把海量波形全部塞进大模型上下文而是复用经典EDA设计思想将非结构化时序波形转换为归一化关系型SQLite数据库再由协同多智能体引擎代表工程师完成规划、查询、审计整套验证工作。在150条专家标注查询测试集上BTTF整体执行准确率95.33%多智能体架构相比单体单智能体五项综合质量审计得分提升17.3%。本文主要贡献指出芯片波形智能调试的核心瓶颈是数据基础设施阻抗而非大模型推理能力本身。设计BTTF端到端智能体框架包含波形预处理流水线、多智能体编排引擎把波形调试转化为LLM擅长的Text‑to‑SQL任务。实现多种面向仿真波形的数据库压缩裁剪策略在保留调试信息前提下大幅降低存储开销、查询延迟。构建150条专家查询评测基准实验验证BTTF在调试、信号分析、形式化SVA验证多类任务上的效果多智能体分工带来显著质量收益。2 相关工作2.1 大模型驱动硬件验证大模型已经被应用于缺陷定位、代码生成、自动化验证。前沿方案普遍采用多智能体编排把硬件综合拆分为生成、Testbench仿真、形式化反例精炼等专用角色。但现有框架大多只作用于静态源代码、编译断言列表、小规模仿真日志假设仅依靠静态HDL文本就可以定位功能错误。VerilogCoder是最接近本方向的相关工作提供基于抽象语法树AST的波形追踪工具但仅适配小规模示例无法处理工业级仿真转储。2.2 Text‑to‑SQL技术大模型具备很强的自然语言到结构化SQL的生成能力。一旦波形数据被组织为关系数据库数据库成熟索引、聚合、过滤能力就可以直接为LLM智能体所用这也是BTTF的核心设计思路。3 BTTF整体框架BTTF由两套耦合子系统组成遵循统一关系模型契约离线波形预处理流水线把庞大仿真转储文件压缩、处理输出优化后的SQLite关系数据库waves.db。在线智能体编排引擎接收自然语言验证查询生成符合范式的SQL完成整套验证分析。3.1 波形预处理流水线EDA仿真器输出专有二进制波形.fsdb或者ASCII格式值变更转储VCD文件SoC模块原始VCD文件很容易超过10GB无法直接送入模型上下文。流水线提取目标层级归一化存入SQLite核心两张数据表signal_metadata存储信号静态元信息RTL信号名、变量类型等分配唯一ID。signal_changes记录时序行为每条记录为(time, value)通过外键关联signal_metadata信号ID。将信号静态属性和时序变化数据分开存储智能体可以独立做结构推理与时序推理查询需要的时候再做表连接。简单直接把全部信号变更逐条入库会把存储压力从文件系统转移到数据库BTTF采用多项优化策略时钟裁剪 Clock pruning高频时钟翻转占数据库绝大部分体积但调试信息价值很低入库阶段直接跳过时钟跳变不破坏时序时间锚点。非活跃信号动态裁剪ZERO策略直接删除全程没有发生任何跳变的静态连线。AVG策略额外删除跳变率低于全设计平均值的信号。批量插入 Batched insertion单行逐条写入SQLite会带来巨大事务开销使用批量写入消除入库I/O瓶颈。3.2 大模型驱动多智能体编排引擎基于生成好的waves.db数据库多智能体协同完成验证任务。编排智能体 Orchestration Agent接收自然语言查询拆解子目标分发给各个专用智能体对合并后的结果做审计校验。分析智能体 Analysis Agent执行多查询SQL完成模块范围探查、事件检查、信号跳变统计支持迭代循环执行多轮查询聚合多周期信号统计例如功耗热点检测。验证智能体 Verification Agent关联波形异常与版本控制RTL源码通过正则表达式执行SVA断言规则ASSERT/ASSERT_STATIC/ASSERT_NEVER/ASSERT_KNOWN/COVER。评估智能体 Evaluation Agent在输出根因分析结果之前从5个维度审计候选查询与输出正确性过滤、聚合、表连接是否匹配用户意图完备性是否包含全部需要字段、时间条件执行效率索引使用合理避免冗余表连接范式合规严格遵守两张核心数据表schema上下文理解正确解析仿真隐含时间尺度、模块层级作用域。智能体之间只通过跨轮次动态会话上下文通信查询失败时启用自纠错循环。断言校验失败时智能体自动定位精确违规时间戳定位造成故障的子信号完成根因诊断。4 实验结果4.1 实验环境与评测基准模型后端Gemini‑2.5‑Pro API。仿真数据集多套复杂度不同SoC层级设计原始VCD总大小4.2GB合计18450根信号网表仿真窗口从50ns毛刺调试短窗口到800ns完整事务仿真转储。评测集人工整理150条工程真实场景自然语言验证查询每条配套专家标注标准答案。任务分为三大类调试Debugging、信号分析Analyzing、形式化验证Verification。4.2 波形预处理压缩性能裁剪策略存储占用压缩比例查询平均延迟有效跳变覆盖率不做任何裁剪1420 MB0.00%410.5 ms100.00%移除时钟480 MB66.20%125.2 ms98.51%ZERO‑无跳变信号裁剪395 MB72.18%94.8 ms100.00%AVG‑低于平均跳变率裁剪185 MB86.97%41.6 ms64.23%仅移除时钟即可减少66.20%存储查询延迟降低3.28倍同时保留98.51%信号跳变调试信息。ZERO裁剪删除全程无跳变信号压缩72.18%活跃信号覆盖率100%属于安全可用方案。AVG激进裁剪压缩最高但会损失35.77%覆盖率是安全压缩的边界。批量插入对比相比单行写入批量EXCUTEMANY入库最高获得2.89倍数据库生成加速解决TB级波形入库I/O瓶颈。4.3 框架整体任务准确率任务大类子任务类型示例查询准确率调试模块/信号范围探查列出moduleA内部所有逻辑信号100.00%调试RTL源码溯源查找logicA对应的RTL源文件87.50%调试信号取值查看timeA时刻logicA信号值是多少95.00%调试信号跳变计数logicA一共发生多少次跳变100.00%调试事件时序检查net logicA第一次被置为valueA是什么时刻100.00%信号分析跳变覆盖率统计计算jobA.db整体跳变覆盖率91.67%信号分析功耗热点定位找出信号活跃度最高的100ns时间窗口91.67%形式化验证静态SVA规则校验执行ASSERT_STATIC断言检查84.62%形式化验证动态SVA规则校验执行ASSERT_KNOWN断言检查90.91%全部150条查询综合执行准确率95.33%基础调试类任务接近满分复杂分析、形式化验证任务保持高可用准确率。附录A表3提供完整示例自然语言查询、智能体工具调用、输出结果样例。4.4 单智能体 vs 多智能体架构对比单体单智能体响应原始速度更快但是容易上下文信息杂乱、数据库schema幻觉多跳验证因果追踪能力差5项审计综合得分仅3.35 / 5.00。BTTF多智能体分工架构SQL生成、RTL源码读取、结果评估解耦综合质量得分提升17.3%执行准确率接近满分代价是平均延迟增加1.96倍。在工业EDA生产流程中为了无幻觉可靠验证该延迟开销属于可接受的工程权衡。5 讨论与结论本文核心论点并且得到实验佐证波形调试智能体的瓶颈是数据基础设施而不是大模型本身能力。BTTF将TB级不透明波形转换为紧凑、厂商无关的关系数据库把棘手的超长上下文问题转化成熟的Text‑to‑SQL任务编排引擎完成查询执行与可审计根因分析。95.33%基准准确率多智能体分工带来17.3%质量提升证明自主EDA验证的实现路径重点在于改善智能体与设计数据之间的接口而不是单纯无限增大模型规模。未来工作方向面向全芯片大规模设计实现流式入库标准化作用域路径归一化完善波形‑RTL符号索引。评测更大前沿推理模型提升多跳因果追踪能力。将该范式推广到回归日志、覆盖率数据库、功耗追踪等其它EDA工件。BTTF不只是单点工具更提供一套模板范式把不透明EDA工件归一化为可查询存储再交由专用智能体处理。希望社区把数据接口作为AI芯片设计方向的一等研究对象。6 参考文献完整参考文献查阅原始arXiv网页https://arxiv.org/html/2610.06790v1附录简要说明附录A.1断言失败自动根因诊断完整逻辑违规时间戳定位、反向因果追踪流程。附录A.2完整端到端查询流水线全部查询样例、工具调用、输出结果表。