LLMs als verlustfreier Encoder/Decoder reduzieren Halluzinationen in Hardware-Design

In einer neuen Studie wird gezeigt, wie große Sprachmodelle (LLMs) bei invertierbaren Problemen – also bei der Umwandlung von Daten aus einer Quelldomäne in eine Zieldomäne und zurück – als verlustfreier Encoder und Decoder eingesetzt werden können. Durch diesen Ansatz lassen sich die häufigsten Schwächen von LLMs, nämlich Halluzinationen und Auslassungen, deutlich reduzieren.

Die Forscher nutzten Logikbedingungstabellen (LCTs) als Ausgangsdaten und ließen sieben verschiedene LLMs den vollständigen Hardware Description Language (HDL)-Code für einen zweidimensionalen Network‑on‑Chip‑Router mit 13 Einheiten und 1500–2000 Codezeilen generieren. Anschließend wurden die LCTs aus dem automatisch erzeugten HDL zurückgebildet und mit den Originaldaten verglichen.

Die Ergebnisse zeigen, dass der Encoder/Decoder-Ansatz nicht nur die Produktivität steigert, sondern auch die Korrektheit des generierten Logikcodes bestätigt, Fehler erkennt und Entwicklern hilft, Design‑Spezifikationsfehler aufzuspüren. Diese Methode bietet damit einen vielversprechenden Weg, die Zuverlässigkeit von LLM‑gestützter Hardware‑Design‑Automatisierung zu erhöhen.