知识图谱：智能体AI形式化验证中缺失的一环

大语言模型 (LLM) 的最新进展启用了从自然语言规范生成 SystemVerilog 断言 (SVA) 的工作流程，并有可能加速形式验证 (FV)。然而，高质量断言综合仍然具有挑战性，因为规范通常不明确或不完整，并且关键的微架构细节驻留在寄存器传输级 (RTL) 中。许多现有方法将规范和 RTL 视为松散结构的文本，这削弱了规范到 RTL 的基础，并导致在形式解析和阐述过程中语义不匹配和频繁的语法失败。这项工作通过以验证为中心的知识图谱 (KG) 解决了这些限制，该知识图谱是从规范、RTL 和形式工具反馈中提取的结构化中间表示 (IR) 构建的，包括语法诊断、反例 (CEX) 和覆盖率报告。 KG 将需求、设计层次结构、信号、假设和属性链接起来，为生成提供可追踪的、基于设计的上下文。多代理工作流查询并更新此知识图谱以生成 SVA 并驱动三个细化循环：由工具诊断引导的语法修复、使用跟踪链接的 CEX 引导校正以及覆盖导向的属性增强。对七个基准设计的评估表明，基于 KG 的上下文检索改进了 RTL 规范的基础，并始终以较低的语法修复开销生成可编译的 SVA。该方法实现了从 78.5% 到 99.4% 的正式覆盖率，尽管收敛表现出设计依赖性，复杂的时间和算术推理对当前的LLM能力仍然具有挑战性。