An AST-guided LLM Approach for SVRF Code Synthesis

一、文章主要内容和创新点

主要内容

本文聚焦半导体领域中标准验证规则格式（SVRF）在复杂设计规则下的开发挑战，提出了一种结合抽象语法树（AST）嵌入与检索增强生成（RAG）的新型方法，用于优化SVRF代码合成。该方法通过AST实现严格的结构验证，通过RAG注入领域知识，提升代码生成的语义准确性并减少错误。研究评估了多种基于T5的模型，提出了SVRF特定的评分框架（补充BLEU和ROUGE-L等标准指标），并在包含740个设计规则检查（DRC）规则实现的基准数据集上进行测试。结果显示，与传统文本微调相比，该方法的代码生成准确率提升高达40%，能在有限数据集下优化SVRF开发，减少人工纠错，提升整体效率。

创新点

1. 方法论创新：首次将AST嵌入与RAG融合用于SVRF代码合成，AST确保结构有效性，RAG注入领域知识，解决了传统LLM生成中存在的“幻觉”和语义/语法错误问题。
2. 评估框架创新：提出SVRF特定的AST加权准确率评分框架，弥补了BLEU、ROUGE-L等标准指标在评估领域特定语言（如SVRF）时的不足，更精准反映代码的结构和语义正确性。
3. 性能突破：在740个DRC规则测试中，相比基础文本微调，准确率提升40%，且有效缓解过拟合，增强模型泛化能力。
4. 实用性优化：在有限数据集约束下实现SVRF开发优化，创造更直观高效的编码环境，支持快速设计迭代，减少人工纠错，提升半导体验证流程的生产力。