Year: 2025
Type: dissertation
Abstract: A crescente complexidade do projeto digital de ASIC intensificou a necessidade de diretivas precisas e eficientes, especificações críticas que orientam a verificação, a síntese e a implementação.Tradicionalmente, a definição destas diretivas é um processo moroso e propenso a erros, exigindo que os engenheiros traduzam diretrizes específicas de cada ferramenta em estruturas de comandos rigorosas.Esta dissertação propõe uma abordagem orientada por IA para simplificar esta tarefa, aproveitando LLMs potenciados com RAG e técnicas de engenharia de prompts para gerar diretivas precisas.Foi desenvolvido um sistema protótipo que integra uma base de conhecimento composta por manuais de ferramentas numa pipeline RAG, capaz de recuperar dinamicamente a documentação relevante para auxiliar o LLM na geração de diretivas.A solução foi testada num conjunto de referência composto por cinco diretivass digitais, de forma a avaliar a sua robustez em diferentes cenários.Diversos LLMs de última geração foram avaliados sob diferentes estratégias de prompting e configurações de recuperação, explorando como a capacidade do modelo, os exemplos e a profundidade do contexto afetam o desempenho.Para medir a eficácia de forma rigorosa, foi implementada uma framework de avaliação, dividida em quatro partes: uma análise quantitativa utilizando similaridade semântica e uma avaliação baseada num LLM, uma análise do tempo de inferência, uma inspeção com base em ferramentas, e uma revisão por especialistas em projeto ASIC.Os resultados mostram que o Llama 3.3 70B alcançou o melhor equilíbrio entre precisão, completude e tempo de inferência, gerando diretivas sistematicamente aceites pelas ferramentas.Esta investigação demonstra que LLMs guiados por RAG têm a capacidade de reduzir significativamente o esforço manual na geração de diretivas, abrindo caminho à automação inteligente nos fluxos de projeto ASIC.Estabelece igualmente uma metodologia estruturada para avaliar diretivas geradas por IA e identifica os principais compromissos na seleção de modelos, na conceção de prompts e na configuração da recuperação.Por fim, este trabalho lança as bases para o desenvolvimento futuro de assistentes baseados em IA capazes de gerar, validar e refinar iterativamente diretivas em colaboração com ferramentas EDA de padrão industrial.
Author: Madalena Sousa Silva
Language: English
Subfield: Hardware and Architecture
Field: Computer Science
Domain: Physical Sciences
Open Access status: green
OpenAlex ID: W7113130151