GoGoTB: 행위적 RTL 검증(Verification)과 명세 기반 커버리지 폐쇄(Closure)
Integrated 회로(IC) 전면工程 노동력의 대부분을 차지하는 기능 확인은, 실리콘에 도달한 단일 버그 하나가 비용이 많이 드는 리스핀을 유발할 수 있습니다. 최근 대규모 언어 모델(LLM)은 이 과정을 자동화하는 새로운 기회를 제공하지만, 기존의 LLM 기반 접근 방식은 각 구성 요소를 독립적으로 단일턴 호출로 생성하여 공유된 context가 없기 때문에 인터페이스 불일치가 감지되지
통합 회로 검증의 중요성
통합 회로 전면 공정 노동력의 대부분을 차지하는 기능 확인은, 실리콘에 도달한 단일 버그 하나가 비용이 많이 드는 리스핀을 유발할 수 있습니다. 따라서, 이 과정의 자동화는 매우 중요합니다. 최근 대규모 언어 모델은 이 과정을 자동화하는 새로운 기회를 제공하지만, 기존의 언어 모델 기반 접근 방식은 각 구성 요소를 독립적으로 단일턴 호출로 생성하여 공유된 상황이 없기 때문에 인터페이스 불일치가 감지되지 않고, 요구 사항과 연결된 보고된 커버리지가 분리됩니다.고고티비 프레임워크
이러한 문제를 해결하기 위해, 고고티비라는 주체적 프레임워크를 제시합니다. 이 프레임워크는 3개의 서브시스템으로 구성되며, 3개의 서브시스템은 에이전트 실행 제어 계층, 진화 가능한 지식 시스템, 명세 기반 커버리지 폐쇄입니다. 실행 제어 계층은 언어 모델 추론과 결정적 강제를 툴과 단계 경계마다 분리합니다. 지식 시스템은 방법론과 디자인 특정 전문 지식을 필요에 따라 배포합니다. 커버리지 프레임워크는 각 이진을 명명된 명세 행동에 앵커하여, 각 잔차 갭의 진단 가능한 근본 원인과 대상 처방을 제공합니다. 고고티비 프레임워크의 성능을 평가하기 위해, 8개의 레지스터 전송 레벨 디자인에 대해 인간의 간섭이 없는 테스트를 수행한 결과, 고고티비는 100%의 환경 생성 성공률을 달성하고, 평균적으로 98.4%의 라인, 97.2%의 브랜치, 97.0%의 토글, 83.2%의 기능 커버리지를 달성했습니다. 이전의 연구는 동일한 벤치마크에서 의미 있는 커버리지나 완전한 검증 환경을 생성하지 못했습니다. 이러한 결과는 고고티비 프레임워크의 효율성을 입증하며, 통합 회로 검증의 자동화를 위한 새로운 기회를 제공합니다.함께 읽으면 좋은 기사
Meta의 영감은 OpenAI와 Anthropic에서 본격적으로 빛나는 AI를 훔쳤습니다.
AI 리더들이 OpenAI와 Anthropic에서 "선도 경계를 맞춰가기"라는 주제로 논의를 시작했을 때, 누군가는 "어느 속도로?"라는 질문을 해야 했을 수도 있었다. 이제는 두 회사가 모두 모델을 출시하는 모델 출시 주간이 되었는데, Anthropic이 Opus 5.5을 출시한 후 OpenAI가 GPT-6 모델 업데이트를 90분만에 출시했다. 그러나 스포트라이트를 잡은 것은 Meta 였는
메타, 인공지능 앱 '뮤즈'에 힘을 싣는다
메타는 인공지능 개인 에이전트 '뮤즈'를 더욱 홍보하기 위해 대규모 언어 모델(LLM) 기반 앱의 홍보를 강화하고 있습니다. 뮤즈 앱은 앱스토어 차트에서 1위를 차지하고 사용자 추가가 빠른 속도로 진행되고 있습니다.
메타의 AI 태그치 시도는 성공적인 것일까?
메타의 개인 AI 에이전트 '뮤즈'가 ChatGPT의 초기 성과를 능가하고 있으며, 스마트 글래스와 같은 장치로 확장될 예정입니다. 메타의 AI 태그치 시도가 성공적인 것일까요?
OpenAI의 agent 군단이 수개월 동안 온라인 데이터베이스를 공격해 희귀한 사실을 찾고 있다.
연구자들이 최근에 불법적 인 에이전트 군집들이 발견되었다고 밝혔다.
강화 학습 기반 역할 놀이 에이전트의 역할 학습을 위한 적대적 폐쇄 루프 교육과정
역할 연기하는 agent는 대규모 언어 모델을 기반으로 한 것들이 개인화된 지원 및 사회 시뮬레이션과 같은 분야에서 광범위하게 적용되어 왔다. 최근 RL 방법들은 학습이 시작되기 전에 미리 수집한 고정된 시나리오 풀에서 훈련을 받는다. 이로 인해 분포적 병목 현상이 발생한다: agent가 향상될수록 agent가 나쁜 성능을 보이는 시나리오도 변하고, 훈련 분포는 정적이다. 따라서, 우리는 역
BaseCamp - AI 프레임워크를 활용한 DNA 서열 데이터 PIPE라인 자동화
DNA 시퀀싱 pipe라인을 처리하는 quality control, alignment, variation calling, annotation과 같은 작업은 이제 대규모 언어 모델(LLM)과 같은 established bioinformatics 도구를 scale에 맞게 조율하는 workflow 관리 시스템에 의해 신뢰할 수 있게 실행되고 있습니다. 그러나 그 실행에 관련된 결정 layer는 여
관련 콘텐츠 더 보기
다른 플랫폼에서 이 주제에 대한 더 많은 정보를 확인하세요.