EDA Corpus: A Large Language Model Dataset for Enhanced Interaction with OpenROAD

📄 arXiv: 2405.06676v1 📥 PDF

作者: Bing-Yue Wu, Utsav Sharma, Sai Rahul Dhanvi Kankipati, Ajay Yadav, Bintu Kappil George, Sai Ritish Guntupalli, Austin Rovinski, Vidya A. Chhabria

分类: cs.CL, cs.AI, cs.AR

发布日期: 2024-05-04

备注: Under review at Workshop on LLM-Aided Design (LAD'24)

🔗 代码/项目: GITHUB

💡 一句话要点

提出EDA-Corpus数据集，用于增强LLM与OpenROAD的交互

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

关键词: 大型语言模型 EDA工具 OpenROAD 数据集 芯片设计

📋 核心要点

  1. 现有LLM在芯片设计中的应用受限于缺乏公开且授权许可的数据集，阻碍了相关研究的进展。
  2. 论文提出EDA-Corpus数据集，包含问题-答案和代码-脚本两种配对形式，专为OpenROAD工具设计。
  3. 该数据集包含超过1000个数据点，旨在促进LLM在EDA领域的应用研究，并已开源。

📝 摘要（中文）

大型语言模型（LLM）作为强大的设计工具，在任务自动化和设计辅助方面展现出巨大潜力。将LLM集成到芯片设计流程中的研究进展显著，但许多工作依赖于非公开或未经许可授权的数据，限制了LLM训练和分发。本文旨在通过引入一个专为OpenROAD（一种广泛使用的开源EDA工具链）定制的开源数据集来弥合这一差距。该数据集包含超过1000个数据点，并以两种格式构建：（i）包含问题提示和文本答案的配对集合，以及（ii）包含代码提示及其对应的OpenROAD脚本的配对集合。通过提供此数据集，旨在促进EDA领域内以LLM为中心的研究。

🔬 方法详解

问题定义：现有方法在将大型语言模型（LLM）应用于电子设计自动化（EDA）领域时，面临缺乏高质量、公开且具有适当许可的数据集的挑战。这限制了研究人员训练和评估LLM在EDA任务中的能力，阻碍了LLM在该领域的广泛应用。特别是针对OpenROAD这样的开源EDA工具链，缺乏专门的数据集来支持LLM的集成和交互。

核心思路：论文的核心思路是构建一个开源的、专门针对OpenROAD工具链的EDA-Corpus数据集。通过提供包含问题-答案对和代码-脚本对的大规模数据集，旨在促进LLM在EDA领域的应用研究，并降低研究门槛。这种方法的核心在于提供高质量的训练数据，使LLM能够更好地理解和执行与OpenROAD相关的任务。

技术框架：EDA-Corpus数据集的构建主要包含数据收集、数据清洗和数据组织三个阶段。数据收集阶段主要从OpenROAD的文档、教程、示例脚本以及用户社区中收集相关信息。数据清洗阶段对收集到的数据进行过滤、去重和格式化，确保数据的质量和一致性。数据组织阶段将清洗后的数据整理成两种配对形式：问题-答案对和代码-脚本对，并提供相应的元数据信息。

关键创新：该论文的关键创新在于构建了一个开源的、专门针对OpenROAD工具链的EDA-Corpus数据集。与现有方法相比，该数据集具有以下优势：一是数据集是公开的且具有适当的许可，方便研究人员使用和分发；二是数据集是专门针对OpenROAD工具链设计的，能够更好地支持LLM在该领域的应用；三是数据集包含问题-答案对和代码-脚本对两种形式，能够满足不同的研究需求。

关键设计：数据集包含超过1000个数据点，涵盖了OpenROAD的各种功能和应用场景。问题-答案对主要用于训练LLM理解OpenROAD的相关概念和操作，代码-脚本对主要用于训练LLM生成和执行OpenROAD脚本。数据集的格式采用JSON格式，方便研究人员进行解析和使用。数据集的元数据信息包括问题的难度、代码的复杂度以及相关的功能模块等。

📊 实验亮点

论文构建的EDA-Corpus数据集包含超过1000个数据点，涵盖了OpenROAD的各种功能和应用场景。该数据集以两种配对形式（问题-答案，代码-脚本）呈现，为LLM在EDA领域的应用提供了高质量的训练数据。数据集已开源，为相关研究提供了便利。

🎯 应用场景

该研究成果可广泛应用于芯片设计自动化领域，例如利用LLM自动生成OpenROAD脚本、辅助设计人员进行设计决策、以及提供智能化的设计建议。通过降低LLM在EDA领域的应用门槛，有望加速芯片设计流程，提高设计效率，并促进更复杂、更优化的芯片设计。

📄 摘要（原文）

Large language models (LLMs) serve as powerful tools for design, providing capabilities for both task automation and design assistance. Recent advancements have shown tremendous potential for facilitating LLM integration into the chip design process; however, many of these works rely on data that are not publicly available and/or not permissively licensed for use in LLM training and distribution. In this paper, we present a solution aimed at bridging this gap by introducing an open-source dataset tailored for OpenROAD, a widely adopted open-source EDA toolchain. The dataset features over 1000 data points and is structured in two formats: (i) a pairwise set comprised of question prompts with prose answers, and (ii) a pairwise set comprised of code prompts and their corresponding OpenROAD scripts. By providing this dataset, we aim to facilitate LLM-focused research within the EDA domain. The dataset is available at https://github.com/OpenROAD-Assistant/EDA-Corpus.