[Paper] LeGend: 하드웨어 모델 검증에서 Lemma 생성을 위한 데이터 기반 프레임워크

Source: arXiv - 2602.24010v1

번역할 텍스트를 제공해 주시면, 요청하신 대로 한국어로 번역해 드리겠습니다.

개요

이 논문은 LeGend라는 데이터‑드리븐 프레임워크를 제시한다. 이 프레임워크는 IC3/PDR‑기반 하드웨어 모델 검증에서 보조정리(lemma) 생성을 가속화한다. 개별 절(clause) 그래프 분석에서 회로 래치의 일회성 전역 임베딩으로 전환함으로써, LeGend는 추론 오버헤드를 크게 줄이며, 기존 검증 엔진이 실제 RTL 설계에서 더 빠르게 실행될 수 있게 한다.

주요 기여

• 글로벌 래치 임베딩: 회로 내 각 래치에 대한 구조적·기능적 컨텍스트를 포착하는 압축 벡터 표현을 학습하는 자체 지도 사전 학습 단계를 도입합니다.
• 경량 레마 예측기: 사전 계산된 임베딩을 활용해 작은 신경망 모델을 학습시켜, 어떠한 귀납법 반증(CTI) 큐브에 대해서도 즉시 고품질 레마를 제안할 수 있습니다.
• 학습/추론 분리: 비용이 많이 드는 표현 학습은 설계당 한 번만 수행되며, 모델 검증 중 추론은 사실상 무료(마이크로초 수준)입니다.
• 실증적 속도 향상: 광범위한 벤치마크 스위트에서 두 가지 최신 IC3/PDR 도구의 일관된 가속을 보여주며, 전체 검증 시간을 최대 2.3배까지 단축합니다.
• 오픈소스 프로토타입: 참고 구현 및 실험 재현 스크립트를 제공하여 검증 커뮤니티가 쉽게 채택할 수 있도록 합니다.

Methodology

1. Circuit preprocessing: RTL 넷리스트를 그래프로 파싱합니다. 여기서 노드는 래치(상태 요소)이며, 엣지는 조합 논리 연결을 나타냅니다.
2. Self‑supervised pre‑training: 그래프 신경망(GNN)을 전체 회로에 대해 마스크된 노드 예측 작업으로 학습합니다—래치의 종류나 연결성을 무작위로 가리고 모델이 이를 복원하도록 합니다. 이를 통해 GNN은 전역 회로 특성을 인코딩하는 임베딩을 학습하게 됩니다.
3. Embedding extraction: 학습이 끝난 후 각 래치는 고정 크기 벡터(예: 128‑dim)를 부여받으며, 이는 이후 사용을 위해 저장됩니다. 추가적인 그래프 탐색은 필요하지 않습니다.
4. Lemma generation model: 가벼운 피드‑포워드 네트워크가 CTI 큐브에 등장하는 래치들의 임베딩을 입력으로 받아 각 가능한 절(lemma)에 대한 확률 점수를 출력합니다. 점수가 가장 높은 절이 일반화된 lemma로 선택됩니다.
5. Integration with IC3/PDR: 예측기는 기존의 절별 그래프 분석 단계를 대체합니다. 엔진이 CTI를 일반화해야 할 때, 관련 임베딩을 조회하고 예측기를 실행하면 몇 마이크로초 안에 결과를 얻을 수 있습니다.

전체 파이프라인은 무거운 학습 단계(디자인당 한 번)와 빠른 추론 단계(검증 실행마다 여러 번)를 분리합니다.

결과 및 발견

• 추론 오버헤드: 보조정리 예측은 CTI당 < 0.01 s를 추가하며, 이전 그래프‑분석 방식은 > 0.3 s가 소요됩니다.
• 품질 트레이드오프: LeGend가 생성한 보조정리는 평균적으로 더 일반적이며(리터럴 수가 적음) 증명 완전성을 희생하지 않습니다.
• 확장성: 사전 학습 시간은 래치 수에 비례해 선형적으로 증가하며, 동일 설계에 대한 다수 검증 실행에 걸쳐 상쇄됩니다.

실용적 함의

• 빠른 검증 사이클: 모델‑체크 단계가 병목 현상이 덜해지면서 팀이 RTL 변경을 더 빠르게 반복할 수 있습니다.
• 감소된 연산 비용: CPU 사용 시간이 줄어들어 클라우드 또는 온‑프레미스 검증 팜 비용이 저렴해지며, 특히 대규모 ASIC 프로젝트에 유용합니다.
• 플러그‑앤‑플레이 통합: LeGend가 레마‑생성 모듈만 교체하므로 기존 IC3/PDR 도구(예: ABC, CoSA)를 최소한의 코드 변경으로 채택할 수 있습니다.
• 지속 학습 가능성: 사전 학습된 임베딩을 캐시해 동일 설계의 여러 검증 실행에 재사용하거나 새로운 모듈이 추가될 때 미세 조정할 수 있어 “학습 가속” 검증 워크플로를 구현합니다.
• AI‑for‑EDA 적용 확대: 한 번의 전역 표현 학습 단계가 이전 ML‑기반 검증 기법의 확장성 문제를 극복할 수 있음을 보여줍니다.

Limitations & Future Work

• Design‑specific training: 임베딩은 새로운 RTL 설계마다 다시 학습되어야 하며, 현재 접근 방식은 아직 설계 간 전이 학습을 지원하지 않는다.
• Model size vs. hardware constraints: 추론은 가볍지만, GNN 사전 학습은 여전히 GPU 또는 강력한 CPU가 필요해 소규모 팀에게 장벽이 될 수 있다.
• Clause space exploration: LeGend는 CTI당 하나의 레마만 예측한다; 이를 확장해 다양한 후보들을 여러 개 제시하면 증명 탐색을 더욱 향상시킬 수 있다.
• Integration with other engines: 향후 작업에서는 동일한 임베딩 전략을 SAT‑based BMC 또는 interpolation‑based model checking에 적용하는 것을 탐구할 것이다.
• Robustness to aggressive optimizations: 저자들은 과도하게 최적화된 넷리스트(예: 공격적인 논리 합성 후)가 때때로 임베딩 품질을 저하시킬 수 있다고 언급했으며, 적응형 재학습 전략이 조사 중이다.

저자

• Mingkai Miao
• Guangyu Hu
• Wei Zhang
• Hongce Zhang

논문 정보

• arXiv ID: 2602.24010v1
• 카테고리: cs.AR, cs.SE
• 출판일: 2026년 2월 27일
• PDF: PDF 다운로드