ROSUM-MCTS：蒙特卡罗树搜索启发的具有结构奖励的 HDL 代码摘要

大语言模型 (LLM) 在代码摘要方面表现出了良好的前景，但它们对于 VHDL 和 Verilog 等硬件描述语言 (HDL) 的有效性仍未得到充分探索。我们提出了 ROSUM-MCTS，这是一种受蒙特卡罗树搜索 (MCTS) 启发的 LLM 引导方法，通过结构化探索和强化驱动优化来完善摘要。我们的方法通过分层候选扩展机制整合本地和全局上下文，并使用平衡功能正确性（FC）、本地内容充分性（LCA）和流畅性的复合奖励函数来优化摘要。我们在 VHDL-eval 和 Verilog-eval 数据集上评估 ROSUM-MCTS，通过利用结构化自下而上的细化和基于强化的优化，证明其始终优于基线方法。消融研究证实了本地和全球扩张策略的必要性，以及平衡 FC 和 LCA 以实现最佳性能的重要性。此外，事实证明，ROSUM-MCTS 对于表面修改（例如变量重命名）具有很强的鲁棒性，可以在基线下降的情况下保持摘要质量。这些结果将 ROSUM-MCTS 确立为有效且稳健的 HDL 摘要框架，为进一步研究强化增强代码摘要铺平了道路。