[論文レビュー] Agentic AI-based Coverage Closure for Formal Verification

Sivaram Pothireddypalli, Ashish Raman+2 more|arXiv (Cornell University)|Mar 3, 2026

Embedded Systems Design Techniques被引用数 0

ひとこと要約

本論文は、Saarthi内でLLM対応GenAIを活用したエージェント型AIワークフローを提示し、形式検証のカバレッジ不足を自動的に特定し、対象となるSystemVerilogプロパティを生成することで、形式的カバレッジと承認スピードを向上させる。

ABSTRACT

Coverage closure is a critical requirement in Integrated Chip (IC) development process and key metric for verification sign-off. However, traditional exhaustive approaches often fail to achieve full coverage within project timelines. This study presents an agentic AI-driven workflow that utilizes Large Language Model (LLM)-enabled Generative AI (GenAI) to automate coverage analysis for formal verification, identify coverage gaps, and generate the required formal properties. The framework accelerates verification efficiency by systematically addressing coverage holes. Benchmarking open-source and internal designs reveals a measurable increase in coverage metrics, with improvements correlated to the complexity of the design. Comparative analysis validates the effectiveness of this approach. These results highlight the potential of agentic AI-based techniques to improve formal verification productivity and support comprehensive coverage closure.

研究の動機と目的

• IC設計におけるより速く、より完全な形式カバレッジ閉鎖の必要性を動機づける。
• カバレッジギャップを分析し、ターゲットとなるSVAを生成するエージェント型AIワークフローを導入する。
• Reliabilityを確保するための人間の介入を伴う反復的なカバレッジ閉鎖を実証する。

提案手法

• マルチエージェントシステム（MAS）を活用してRTLと設計仕様をvPlanに解析する。
• Coverage Hole Analyzerを用いて未カバーのRTL場所を分岐・文の属性で分類する。
• SVAプロパティジェネレータを使用してRTL文脈と前提条件からターゲットとなるSystemVerilogプロパティを作成する。
• 更新されたSVAを用いて形式検証を反復的に実行し、カバレッジ閾値を満たすまで続ける。
• プロパティの意図を検証し過約束を防ぐためのヒューマン・イン・ザ・ループのチェックポイントを組み込む。

実験結果

リサーチクエスチョン

• RQ1 エージェント型AIは形式検証パイプラインでカバレージホールを識別・分類できるか。
• RQ2 自動生成されたターゲットSVAは設計間のカバレッジと承認スピードを向上させるか。
• RQ3 異なるLLMの使用がこのワークフローの証明率とカバレッジに与える影響は何か。
• RQ4 人間の監督はループ内の信頼性と幻覚の低減にどのように影響するか。

主な発見

Design	Metric	Without coverage agents – GPT-4.1	#Properties	Proven (%)	Coverage (%)	Without coverage agents – GPT-5	#Properties	Proven (%)	Coverage (%)	Without coverage agents – Llama3.3	#Properties	Proven (%)	Coverage (%)	With coverage agents – GPT-4.1	#Properties	Proven (%)	Coverage (%)	With coverage agents – GPT-5	#Properties	Proven (%)	Coverage (%)	With coverage agents – Llama3.3	#Properties	Proven (%)	Coverage (%)
ECC	Properties	40	90	61.72	23	95.65	70.30	15	73.33	70.71	110	83.36	89.30	35	60.97	92.11	41	66?	89.60

• カバレージエージェントは設計を跨いで形式カバレッジを一貫して向上させる。
• GPT-5は一般に高いカバレッジの向上をもたらすが待ち時間が長くなることがある。
• OpenAI GPT-4.1、GPT-5、Llama3.3は性能が異なり、複雑な設計ではGPT-5が最良のカバレッジ指標を提供することが多い。
• ECC設計はカバレージエージェントで80％を超えるカバレージを達成し、複数の設計で約10–20ポイントの増加を示した。
• 一部設計では新規プロパティの検証がより困難になるため、カバレージが改善しても検証率が低下する事象がある。
• 提案されたHIL支援ループはカバレージをさらに向上させ、全体的な検証時間を短縮することが見込まれる。