本文にスキップ
AI News HubLIVE
サイト内リライト3 分で読了

GoGoTB: 仕様に基づくカバレッジクロージャを備えたエージェント型RTL検証

記事の要約

GoGoTBは3つのサブシステムを通じてエンドツーエンドの検証クロージャを実現するエージェントフレームワークであり、8つのRTL設計に対して人間の介入なしで100%の環境生成成功率を達成し、平均で行カバレッジ98.4%、ブランチカバレッジ97.2%、トグルカバレッジ97.0%、機能カバレッジ83.2%を記録した。

ソースarXiv AI著者: Xin Xin, Jincheng Lou, Junhui Li, Jinglin Yan, Panda Xiao, Di Wu, Haixiao Li, Weicong Lu, Weijian Fan, Xinyu Qu, Yuxiang Zhao, Min Yu, Zhixiong Di, Yibo Lin
GoGoTB: 仕様に基づくカバレッジクロージャを備えたエージェント型RTL検証
誤りを報告

訂正窓口はまだ利用できません。記事情報をコピーして保存できます。

訂正案内
本文へ

集積回路(IC)のフロントエンド設計において、機能検証はエンジニアリング作業の大部分を占めており、シリコンにまで逃げ切った一つのバグが高コストなリスピンを引き起こす可能性がある。近年の大規模言語モデル(LLM)はこのプロセスを自動化する新たな機会を提供しているが、既存のLLMベース手法は各コンポーネントを独立した単一ターンの呼び出しで生成し、共有コンテキストを持たないため、インターフェースの不一致が検出されず、報告されるカバレッジが仕様要件から切り離されてしまう。これらの課題に対処するため、我々はGoGoTBを提案する。これは3つのサブシステムを通じてエンドツーエンドの検証クロージャを実現するエージェントフレームワークである。すなわち、エージェント実行制御層、進化可能な知識システム、仕様に基づくカバレッジクロージャである。実行制御層は、すべてのツールおよびステージ境界において決定論的強制とLLM推論を分離する。知識システムは方法論と設計固有の専門知識をオンデマンドでディスパッチする。カバレッジフレームワークは各ビンを名前付き仕様動作にアンカーし、各残存ギャップが診断可能な根本原因と的を絞った remediation を持つようにする。8つのレジスタ転送レベル(RTL)設計に対して人手を一切介さずにテストした結果、GoGoTBは100%の環境生成成功率を達成し、平均でラインカバレッジ98.4%、ブランチカバレッジ97.2%、トグルカバレッジ97.0%、機能カバレッジ83.2%を記録した。同じベンチマーク上で完全な検証環境を生成したり、意味のあるカバレッジを達成した先行研究は存在しない。

本論文は2026年7月28日に提出され、タイトルは「GoGoTB: Agentic RTL Verification with Specification-Grounded Coverage Closure」、著者はXin Xin氏と他13名である。Xin Xin氏とJincheng Lou氏は同等に貢献し、共同筆頭著者を務めている。論文は9ページ、図7点、表3点から構成され、人工知能(cs.AI)の主題に分類されている。arXiv識別子はarXiv:2607.26181v1、DOIはhttps://doi.org/10.48550/arXiv.2607.26181で、DataCiteにより発行されている(登録手続き中)。提出履歴によると、Jincheng Lou氏が2026年7月28日火曜日18:40:35 UTCにv1を提出しており、ファイルサイズは814 KBである。

GoGoTBの中心的な革新はそのエージェントフレームワーク設計にある。実行制御層はツールとステージの境界で決定論的な強制とLLM推論を分離し、単一ターン呼び出しでよく見られるコンテキストの喪失を防ぐ。進化可能な知識システムは方法論と設計固有の専門知識をオンデマンドでディスパッチし、システムがさまざまな設計要件に適応できるようにする。仕様に基づくカバレッジクロージャは、各カバレッジビンが具体的な仕様動作にアンカーされることを保証し、残存するカバレッジギャップに診断可能な根本原因と的を絞った remediation を与える。この設計により、インターフェースの不一致問題が早期に発見され、カバレッジレポートが仕様要件と整合するようになる。

実験評価では、GoGoTBは8つのRTL設計上で完全に人手を介さずに動作し、環境生成成功率100%、平均ラインカバレッジ98.4%、ブランチカバレッジ97.2%、トグルカバレッジ97.0%、機能カバレッジ83.2%を達成した。論文は、同じベンチマーク上で完全な検証環境を生成したり、意味のあるカバレッジを達成した先行研究は存在しないと指摘している。この結果は、RTL機能検証の自動化におけるエージェント手法の可能性を示しており、特に既存のLLM手法で問題となっていたコンポーネントの独立生成によるインターフェース不一致とカバレッジの乖離を解決する上での有効性を実証している。

本研究の意義は、決定論的実行とLLM推論の分離、専門知識のオンデマンドディスパッチ、カバレッジと仕様動作の紐付けを通じて、エンドツーエンドの検証クロージャに対する体系的なエージェントソリューションを提供する点にある。これにより、機能検証における人手の関与を減らし、逃げ切ったバグによるリスピンのリスクを低減することが期待される。論文の提出日は2026年7月28日であり、cs.AI分野の新規投稿として、関連するコードやデータへのリンクはarXivページから入手できる。

要点と分析を開く

記事インテリジェンス

エンジニア上級

要点

  • 各ツール境界とステージ境界で決定論的な強制とLLM推論を分離し、単発の独立生成によるインターフェース不一致を回避する。
  • 進化可能な知識システムが方法論と設計固有の専門知識をオンデマンドで配信する。
  • カバレッジフレームワークが各カバレッジビンを名前付きの仕様動作に紐付け、残存ギャップの原因診断と的を絞った修正を可能にする。
  • 8つのRTL設計で人間の介入なしに環境生成成功率100%、平均機能カバレッジ83.2%を達成した。

要点と分析は自動生成され、誤りを含む場合があります。原典をご確認ください。