Strukturelles Graph-Lernen verbessert RTL-Qualitätsabschätzung

Die Bewertung der Qualität von Register-Transfer-Level (RTL)-Designs ist ein entscheidender Schritt im EDA-Workflow, weil sie sofortiges Feedback zu wichtigen Kennzahlen wie Fläche und Verzögerung liefert, ohne dass eine zeitaufwändige Logik-Synthese erforderlich ist.

Neuere Ansätze haben große Sprachmodelle (LLMs) genutzt, um aus RTL-Code Einbettungen zu erzeugen, und dabei vielversprechende Ergebnisse erzielt. Sie vernachlässigen jedoch die strukturellen Semantik, die für eine präzise Qualitätsabschätzung unerlässlich ist. Der Kontroll-Datenflussgraph (CDFG) macht die strukturellen Eigenschaften eines Designs expliziter und liefert damit reichhaltigere Hinweise für das Repräsentationslernen.

In dieser Arbeit wird das neue, struktur‑bewusste Graph‑Selbstlern‑Framework StructRTL vorgestellt. Durch das Lernen strukturierter Repräsentationen aus CDFGs übertrifft es frühere Methoden bei verschiedenen Qualitätsabschätzungsaufgaben erheblich. Zusätzlich wird eine Knowledge‑Distillation‑Strategie eingesetzt, die Erkenntnisse aus nach der Zuordnung erstellten Netlist‑Modellen in den CDFG‑Predictor überträgt. Die Experimente zeigen, dass StructRTL neue State‑of‑the‑Art‑Ergebnisse erzielt und die Kombination aus strukturellem Lernen und Cross‑Stage‑Supervision die Effektivität deutlich steigert.