2025_NIPS_SymRTLO: Enhancing RTL Code Optimization with LLMs and Neuron-Inspired Symbolic Reasoning

SymRTLO 论文总结与核心部分翻译

一、主要内容

该论文针对寄存器传输级（RTL）代码优化面临的人工改写耗时易错、编译器方法难以处理复杂约束、LLM-based方法存在生成代码与优化目标不一致等问题，提出了一种融合大语言模型（LLM）与符号推理的神经符号框架 SymRTLO，用于高效优化 RTL 代码。

核心目标

在 RTL 设计早期阶段实现功耗（Power）、性能（Performance）、面积（Area，简称 PPA）的优化，减少对重复综合工具调用的依赖，同时确保生成代码的语法正确性和功能等价性。

关键模块与工作流程

1. LLM 调度器（LLM Dispatcher）：接收输入 RTL 代码和优化目标，总结代码特征并生成优化建议，检索相关优化规则，判断是否需要进行有限状态机（FSM）相关的控制流优化。
2. 数据流优化（Data Flow Optimization）：通过检索增强生成（RAG）系统构建优化规则库，结合抽象语法树（AST）模板确保 LLM 生成代码符合语法和语义要求，采用肘部法则解决优化规则间的冲突。
3. 控制流优化（Control Flow Optimization）</