用对话式AI自动优化硬件设计，降低资源占用。
CRADLE: Conversational RTL Design Space Exploration with LLM-based Multi-Agent Systems
- 引入对话式多智能体系统，支持用户引导与自我纠错。
- 在所有测试用例中，LUT减少48%，FF减少40%。
- 适合从事FPGA硬件设计的工程师快速探索最优方案。
本文提出CRADLE，一个基于大模型多智能体系统的对话式RTL设计空间探索框架。与现有固定流程不同，CRADLE支持用户引导的灵活设计流，并具备内部自验证、纠错与优化能力。我们通过生成-批评者智能体系统，在RTLLM基准上实现FPGA资源最小化。实验结果表明，所有测试设计中，平均LUT减少48%，FF减少40%。
原文摘要 · Abstract (English)
This paper presents CRADLE, a conversational framework for design space exploration of RTL designs using LLM-based multi-agent systems. Unlike existing rigid approaches, CRADLE enables user-guided flows with internal self-verification, correction, and optimization. We demonstrate the framework with a generator-critic agent system targeting FPGA resource minimization using state-of-the-art LLMs. Experimental results on the RTLLM benchmark show that CRADLE achieves significant reductions in resource usage with averages of 48% and 40% in LUTs and FFs across all benchmark designs.
Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。