Back to the Future: Rethinking EDA Infrastructure for Agentic Systems in Chip Design Verification

📄 arXiv: 2610.06790v1 📥 PDF

作者: Je Yang, Ivan Lobov, Thomas Karpati

分类: cs.AI

发布日期: 2026-10-05

备注: 40th NeurIPS'26 Workshop AI for Chip Design

💡 一句话要点

提出BTTF框架以解决芯片设计验证中的基础设施不足问题

🎯 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 芯片设计 验证框架 自然语言处理 多智能体系统 数据库技术 信号异常检测

📋 核心要点

  1. 现有的芯片设计验证工作流程高度依赖人工，导致效率低下，尤其是在后仿真验证和交互波形调试方面。
  2. 本文提出的BTTF框架通过将仿真数据转化为结构化数据库，并利用多智能体系统实现自然语言查询的自动化处理，解决了这一问题。
  3. 在150个查询的基准测试中，BTTF达到了95.33%的执行准确率，显著提升了验证效率和准确性。

📝 摘要（中文）

现代人工智能的计算规模依赖于复杂的多亿晶体管系统芯片，但验证这些芯片的工作流程仍然高度依赖人工。尽管大型语言模型（LLMs）在电子设计自动化（EDA）领域取得了快速进展，但现有研究中约74.6%集中于静态寄存器传输级（RTL）代码生成，后仿真验证和交互波形调试仍然未得到充分关注。本文提出了Back-to-the-Future（BTTF），一个端到端的智能框架，旨在弥补这一基础设施缺口。BTTF将大量非结构化的仿真数据提炼为标准化的关系SQLite数据库，并结合协作多智能体编排引擎，将自然语言验证查询转换为模式感知的SQL，同时将信号异常与版本化的RTL库关联。在150个查询基准测试中，BTTF实现了95.33%的执行准确率，为自主EDA验证铺平了实际路径。

🔬 方法详解

问题定义：本文旨在解决现代芯片设计验证中存在的基础设施不足问题，尤其是后仿真验证和交互波形调试的手动流程带来的低效率和高错误率。

核心思路：BTTF框架通过将非结构化的仿真数据转化为标准化的关系数据库，并结合多智能体系统，能够自动化处理验证查询，提升验证效率和准确性。

技术框架：BTTF的整体架构包括数据提取模块、数据库构建模块和查询处理模块。数据提取模块负责从仿真输出中提取信息，数据库构建模块将数据存储为SQLite格式，而查询处理模块则将自然语言查询转换为SQL语句并执行。

关键创新：BTTF的主要创新在于其将自然语言处理与电子设计自动化相结合，首次实现了对信号异常的自动关联和查询处理，显著提升了验证的自动化程度。

关键设计：在设计中，BTTF采用了模式感知的SQL生成技术，确保生成的查询能够有效地与数据库结构匹配，同时在信号异常检测中引入了版本控制机制，以便追踪和关联不同版本的RTL代码。

🖼️ 关键图片

fig_0
img_1
img_2

📊 实验亮点

在150个查询的基准测试中，BTTF框架实现了95.33%的执行准确率，显示出其在自动化EDA验证中的强大能力。这一结果相较于传统手动验证方法，显著提升了验证效率和准确性，为行业提供了新的解决方案。

🎯 应用场景

该研究的潜在应用领域包括芯片设计验证、电子设计自动化和智能系统开发。BTTF框架的实现可以大幅度提升芯片验证的效率和准确性，推动自动化验证技术的发展，并为未来的智能系统提供更可靠的基础设施支持。

📄 摘要（原文）

The unprecedented computational scale of modern artificial intelligence depends on complex, multi-billion-transistor Systems-on-Chip, yet the workflows that verify these chips remain stubbornly manual. Although Large Language Models (LLMs) have made rapid inroads into Electronic Design Automation (EDA), approximately 74.6% of existing studies target static Register-Transfer Level (RTL) code generation, leaving post-simulation verification and interactive waveform debugging largely untouched. We introduce Back-to-the-Future (BTTF), an end-to-end agentic framework that closes this infrastructural gap. BTTF distills massive, unstructured simulation dumps into a normalized relational SQLite database and couples it with a collaborative multi-agent orchestration engine that translates natural-language verification queries into schema-aware SQL while correlating signal anomalies with versioned RTL repositories. Across a 150-query benchmark, BTTF attains 95.33% execution accuracy, charting a practical path toward autonomous EDA verification.