JARVIS: A Multi-Agent Code Assistant for High-Quality EDA Script Generation

📄 arXiv: 2505.14978v2 📥 PDF

作者: Ghasem Pasandi, Kishor Kunal, Varun Tej, Kunjal Shah, Hanfei Sun, Sumit Jain, Chunhui Li, Chenhui Deng, Teodor-Dumitru Ene, Haoxing Ren, Sreedhar Pratty

分类: cs.SE, cs.AI, cs.LG

发布日期: 2025-05-20 (更新: 2025-08-15)

💡 一句话要点

提出JARVIS框架以解决EDA脚本生成质量问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 电子设计自动化 大型语言模型 多代理框架 代码生成 结构验证 领域特定模型 数据稀缺 幻觉错误

📋 核心要点

  1. 现有的电子设计自动化（EDA）脚本生成方法面临数据稀缺和生成内容的准确性问题，导致生成的脚本质量不高。
  2. JARVIS框架结合了领域特定的LLM和多种技术模块，如自定义编译器和代码修复能力，以提高EDA脚本的生成质量。
  3. 实验结果显示，JARVIS在多个基准测试中表现优异，准确性和可靠性显著高于现有的领域特定模型，验证了其有效性。

📝 摘要（中文）

本文提出了JARVIS，一个新颖的多代理框架，利用大型语言模型（LLMs）和领域专业知识生成高质量的电子设计自动化（EDA）脚本。通过结合经过合成数据训练的领域特定LLM、自定义结构验证编译器、规则执行、代码修复能力以及先进的检索机制，我们的方法在准确性和可靠性上显著优于现有的领域特定模型。我们的框架解决了LLMs中的数据稀缺和幻觉错误问题，展示了LLMs在专业工程领域的潜力。我们在多个基准上评估了框架，结果表明其在准确性和可靠性方面超越了现有模型，为LLMs在EDA领域的应用树立了新的标杆，并为未来的创新铺平了道路。

🔬 方法详解

问题定义：本论文旨在解决电子设计自动化（EDA）领域中脚本生成的质量问题，现有方法在数据稀缺和生成内容的准确性方面存在显著不足。

核心思路：JARVIS框架通过结合领域特定的LLM与多种技术模块，利用合成数据训练模型，增强了脚本生成的准确性和可靠性。

技术框架：整体架构包括多个模块：领域特定LLM、结构验证编译器、规则执行模块、代码修复能力和检索机制，各模块协同工作以提升脚本质量。

关键创新：JARVIS的主要创新在于其多代理框架设计，能够有效整合不同技术模块，解决了LLMs在专业领域应用中的数据稀缺和幻觉错误问题。

关键设计：在关键设计上，JARVIS使用了特定的损失函数来优化生成脚本的准确性，并通过自定义编译器实现结构验证，确保生成代码的有效性。具体的网络结构和参数设置在论文中详细描述。

📊 实验亮点

在多个基准测试中，JARVIS框架的表现超越了现有的领域特定模型，准确性提高了20%以上，可靠性也显著增强。这些实验结果证明了JARVIS在高质量EDA脚本生成中的有效性和优势。

🎯 应用场景

JARVIS框架的潜在应用领域包括电子设计自动化（EDA）工具的开发、智能编程助手以及其他需要高质量代码生成的工程领域。其实际价值在于提高脚本生成的效率和准确性，未来可能推动EDA领域的进一步创新和自动化进程。

📄 摘要（原文）

This paper presents JARVIS, a novel multi-agent framework that leverages Large Language Models (LLMs) and domain expertise to generate high-quality scripts for specialized Electronic Design Automation (EDA) tasks. By combining a domain-specific LLM trained with synthetically generated data, a custom compiler for structural verification, rule enforcement, code fixing capabilities, and advanced retrieval mechanisms, our approach achieves significant improvements over state-of-the-art domain-specific models. Our framework addresses the challenges of data scarcity and hallucination errors in LLMs, demonstrating the potential of LLMs in specialized engineering domains. We evaluate our framework on multiple benchmarks and show that it outperforms existing models in terms of accuracy and reliability. Our work sets a new precedent for the application of LLMs in EDA and paves the way for future innovations in this field.