MechMem-RTL：重复使用经过验证的机械存储器进行基于 LLM 的 RTL 修复

大语言模型 (LLM) 可以自动修复寄存器传输级 (RTL) 设计。然而，修复复杂的顺序逻辑错误需要重用过去的调试经验。现有的检索增强生成（RAG）依赖于任务文本相似性来提供这种体验。这种基于文本的方法经常会误导模型，因为自然语言很难反映周期级硬件执行语义。为了解决这个问题，我们提出了 MechMem-RTL，这是一个修复框架，它重用验证者确认的修复记录而不是文本相似性。每个存储的记录都严格链接触发证据、诊断的故障机制、本地修复操作、保存约束和验证摘要。对于新的故障，仅当确定性验证者证据与存储的触发器严格兼容时，MechMem-RTL 才会注入过去的记录。否则，系统仅使用当前验证者证据。我们在 6 个修复模型的 48 个公共顺序 RTL 任务上评估了 MechMem-RTL。每个任务最多尝试两次修复，MechMem-RTL 成功解决了 288 个任务模型对中的 180 个，优于标准反馈修复（109 对）和任务相似性 RAG（107 对）。