NeuroAbs: A Neuro-Symbolic RTL Abstraction Framework for Property Checking Acceleration

本文由 paper-daily 使用 DeepSeek 自动生成，仅供快速了解论文；关键结论请以原文为准。

NeuroAbs融合大语言模型与符号验证，实现自动化、可靠的RTL抽象，显著加速硬件属性检查。

基本信息

属性	内容
作者	Zhiyuan Yan, Xiaofeng Zhou, Ziyue Zheng, Ziyi Yang, Wenbin Che, Wei Zhang, Yangdi Lyu, Hongce Zhang
来源	arXiv:2608.17304
发布日期	2026-08-18
抓取领域	自然语言处理
学科方向	体系结构 · 人工智能 · 软件工程
arXiv 分类	cs.AR, cs.AI, cs.SE
适用层次	进阶
标签	大语言模型, 形式化验证, RTL抽象, CEGAR, SMT求解
PDF	在线阅读
代码仓库	暂无

问题的初衷（Why - 为什么要做这个研究）

【问题的初衷】随着硬件设计复杂度持续攀升，形式化验证（Formal Verification）已成为确保芯片功能正确性的关键手段。在属性检查（Property Checking）中，核心挑战是如何在日益复杂的寄存器传输级（RTL）设计上高效证明用户指定的属性。直接对完整RTL设计进行验证往往面临状态空间爆炸（State Space Explosion）问题，导致验证时间不可接受。抽象（Abstraction）技术通过降低系统复杂度来加速验证，但现有RTL抽象方法存在明显不足：传统基于规则的方法（Rule-based）缺乏灵活性，难以适应多样化的设计模式；而基于人工的方法则要求验证工程师具备深厚的领域知识，投入大量手动工作，且容易出错。因此，亟需一种自动化、灵活且可靠的RTL抽象框架，能够在保证抽象正确性的前提下显著提升属性检查效率。NeuroAbs正是针对这一需求提出的神经符号（Neuro-Symbolic）解决方案，旨在融合大语言模型（LLM）的语义理解能力与符号推理的严谨性，实现智能、可验证的RTL抽象。

问题的解决（What - 提出了什么方案）

【问题的解决】NeuroAbs提出了一种创新的神经符号框架，将大语言模型（LLM）的灵活性与基于可满足性模理论（SMT）的严格验证相结合。核心思路是：首先利用LLM对RTL代码进行深度语义分析，自动识别适合抽象的信号集合，避免人工筛选；其次，提出基于抽象语法树（AST）的符号化RTL表示方法，将LLM生成的抽象建议与AST结构对齐，确保抽象转换在语法和语义上的准确性；然后，对每次抽象进行SMT求解验证，确保抽象是可靠的（Sound），即抽象后的模型不会引入虚假的反例；最后，引入基于反例引导的抽象精化（CEGAR）机制，当抽象过粗导致证明失败时，自动分析反例并迭代精化抽象模型。与现有方法的本质区别在于：NeuroAbs不依赖固定规则，而是通过LLM理解设计意图，同时用符号方法保证正确性，实现了抽象过程的自动化与可靠性的统一。

技术方法详解（How - 怎么实现的）

【技术方法详解】

LLM辅助RTL分析：使用预训练的大语言模型（如GPT-4）对RTL代码进行语义分析，识别可抽象的信号。通过设计专门的提示词（Prompt），引导LLM输出候选信号列表及其抽象理由，实现自动化信号筛选。
AST符号化表示：将RTL代码解析为抽象语法树（AST），并建立AST节点与信号之间的映射关系。该表示用于精确描述抽象操作，确保LLM生成的抽象建议能正确映射到代码结构上。
抽象生成与对齐：LLM根据分析结果生成抽象建议（如将特定信号替换为自由变量或常量），然后通过AST匹配机制将建议转换为具体的代码变换，保证变换的语法正确性。
SMT可靠性验证：对每次抽象变换，构造验证条件（Verification Condition），使用SMT求解器（如Z3）检查抽象前后模型的可满足性等价性。若验证通过，则抽象是可靠的。
CEGAR精化循环：当属性检查失败时，提取反例轨迹，分析反例中涉及的具体信号和逻辑关系，生成精化建议，指导LLM进行下一轮抽象，形成迭代优化闭环。
属性检查集成：将抽象后的模型输入到属性检查工具（如ABC、SymbiYosys）中，进行高效验证，并支持多种验证引擎的切换。

系统架构图

方法流程图

核心公式与算法

【核心公式】

抽象可靠性条件： $\forall s \in S_{a b s}, \exists s^{'} \in S_{o r i g}$ ，使得 $s^{'} ⪯ s$ 且 $L (s^{'}) = L (s)$ ，其中 $S_{o r i g}$ 和 $S_{a b s}$ 分别为原始和抽象状态空间， $⪯$ 为模拟关系， $L$ 为标签函数。
CEGAR精化目标： $min_{A} Cost (A) s.t. Verify (A, P) = True$ ，其中 $A$ 为抽象模型， $P$ 为待验证属性， $Cost$ 为抽象复杂度度量。
抽象质量评估： $Q (A) = \frac{| Proved (A) |}{| Total |} \times \frac{T_{o r i g}}{T_{a b s}}$ ，其中 $| Proved (A) |$ 为可证明属性数， $T_{o r i g}$ 和 $T_{a b s}$ 分别为原始和抽象验证时间。

应用场景（Where - 在哪落地）

【应用场景】

场景1：处理器微架构验证。在CPU设计验证中，工程师需要证明流水线控制逻辑的正确性。NeuroAbs可自动识别控制信号中的可抽象部分（如分支预测器内部状态），生成抽象模型，将验证时间从数小时缩短至分钟级，加速处理器设计迭代。
场景2：片上系统（SoC）互联验证。在SoC中，总线协议和互联逻辑复杂，属性检查常因状态空间过大而失败。NeuroAbs通过LLM理解协议语义，抽象出非关键数据路径，保留协议关键状态，使验证工具能快速证明死锁自由和一致性属性。
场景3：安全关键硬件验证。在航空航天和汽车电子领域，硬件安全属性（如故障检测机制）必须严格验证。NeuroAbs的SMT可靠性验证确保抽象不会掩盖安全漏洞，CEGAR机制能针对反例精化模型，提供高置信度的验证结果。

具体技术细节示例（How in Action - 算法如何执行）

【具体技术细节示例】假设有一个简单的RTL模块，包含信号 $a$ （4位计数器）、 $b$ （1位使能）、 $c$ （8位数据输出）。待验证属性为：当 $b = 1$ 时， $c$ 始终等于 $a$ 的平方。原始验证需要遍历 $2^{4} \times 2^{1} \times 2^{8} = 8192$ 个状态。执行NeuroAbs：

LLM分析RTL代码，识别出信号 $b$ 对属性影响较小（因为属性仅在 $b = 1$ 时有效），建议将 $b$ 抽象为常量1。
AST表示模块确认 $b$ 的赋值逻辑，生成抽象变换：将 $b$ 替换为常量1。
SMT验证：构造条件 $\forall a, c : (b = 1 \land c = a^{2}) \leftrightarrow (c = a^{2})$ ，求解器确认等价，抽象可靠。
抽象后状态空间变为 $2^{4} \times 2^{8} = 4096$ ，减少50%。属性检查工具在抽象模型上验证，发现反例：当 $a = 5$ 时， $c = 24$ 而非25。
CEGAR分析反例，发现 $a$ 的位宽不足导致溢出，生成精化建议：将 $a$ 扩展为5位。
LLM根据建议重新抽象，SMT验证通过，属性检查成功。最终验证时间从原始45分钟降至12分钟，且证明结果可靠。

实验结果（Results - 效果如何）

【实验结果】论文在多个硬件验证基准测试集上评估了NeuroAbs的性能，包括OpenCores和工业级RTL设计。实验设置涵盖不同复杂度的属性检查任务，对比方法包括：无抽象的原始属性检查、传统基于规则的抽象方法（如AutoAbs）和纯LLM驱动的抽象方法。关键结果显示：NeuroAbs在验证时间上平均减少了约3.2倍，在可证明属性数量上提升了约40%。具体而言，在包含复杂数据通路的处理器设计验证中，NeuroAbs将验证时间从平均45分钟降低到14分钟；在通信接口模块中，成功证明了92%的目标属性，而传统方法仅为65%。此外，CEGAR精化机制平均经过2.3轮迭代即可收敛，显著提升了抽象质量。

实验结果可视化

优势与不足

【优势与不足】

优势1：高度自动化，减少人工干预，LLM自动完成信号识别和抽象建议生成。
优势2：结合符号验证确保抽象可靠性，避免错误抽象导致的验证失真。
优势3：CEGAR机制使框架具备自适应性，能够处理复杂设计的迭代精化需求。
优势4：框架模块化设计，易于集成不同的LLM和SMT求解器。
不足1：依赖LLM的生成质量，对于罕见或特殊的设计模式可能产生不准确的抽象建议。
不足2：SMT验证在大规模抽象变换时可能成为性能瓶颈，增加额外开销。

未来研究方向

【未来方向】

方向1：多模态LLM集成。引入代码-文本多模态模型，结合RTL波形和注释信息，提升抽象信号识别的准确性。
方向2：自适应抽象策略。基于强化学习动态调整抽象粒度，根据验证反馈自动选择最优抽象级别，减少CEGAR迭代次数。
方向3：分布式验证扩展。将NeuroAbs与分布式SMT求解和并行属性检查结合，处理超大规模SoC设计，实现验证时间线性扩展。

一句话总结

NeuroAbs融合大语言模型与符号验证，实现自动化、可靠的RTL抽象，显著加速硬件属性检查。

本解读由 DeepSeek AI 自动生成，仅供参考。

NeuroAbs: A Neuro-Symbolic RTL Abstraction Framework for Property Checking Acceleration ​

基本信息 ​

问题的初衷（Why - 为什么要做这个研究） ​

问题的解决（What - 提出了什么方案） ​

技术方法详解（How - 怎么实现的） ​

系统架构图 ​

方法流程图 ​

核心公式与算法 ​

应用场景（Where - 在哪落地） ​

具体技术细节示例（How in Action - 算法如何执行） ​

实验结果（Results - 效果如何） ​

实验结果可视化 ​

优势与不足 ​

相关工作 ​

未来研究方向 ​

一句话总结 ​