Scott ChenRESEARCH & ENGINEERING
← 所有文章

BTTF 把 waveform 轉成 SQL，讓 Agent 進入 post-simulation debug

Scott Yo-Ru Chen · AI-assisted 發布於
IC 設計平台

重點

BTTF
BTTF 把 VCD 的 signal metadata 與時間變化拆成關聯資料，讓模型以 schema-aware SQL 查詢大型模擬結果；150 題整體 execution accuracy 為 95.33%，顯示 post-simulation debug 可以從 GUI 人工瀏覽轉成工具化查詢。
晶片驗證團隊
晶片驗證團隊若先把 waveform、coverage、log 與 RTL version 做成可定位的資料介面，Agent 就不必把大量 dump 塞進 context；代價是 ingestion、索引、scope 正規化與資料保留策略成為新的平台工作。
EDA 平台團隊
EDA 平台團隊可以把模型與 simulator 之間的介面從文字 log 擴成 query service，讓既有 deterministic engine 繼續產生結果、Agent 負責查詢與關聯；這比替每套 GUI 錄製操作軌跡更容易量測正確率與延遲。
EDA 工具供應商
EDA 工具供應商若提供穩定的 waveform、coverage 與 source mapping API，會直接降低 Agent 整合成本；若資料仍鎖在 proprietary viewer 與檔案格式，模型再強也會把大量時間耗在資料轉譯與定位。

大型模擬失敗後，工程師會打開 waveform、沿 hierarchy 找訊號、定位 assertion 失敗時間，再回到對應的 RTL；重新寫 RTL 通常發生在問題已經被定位之後。這段工作很適合人用 GUI 探索，卻不適合直接把原始 dump 丟給 LLM：一個 SoC block 的 VCD 可以超過數 GB，時間序列又需要精確的 scope、timestamp 與 value semantics。

10 月 5 日公開的 Back to the Future（BTTF）提出另一種做法：先把 waveform 轉成關聯資料，再讓 Agent 操作資料庫。論文處理的 4.2 GB VCD 含 18,450 個 nets，將訊號宣告與時間變化拆成兩張主要 table；上層 Agent 以自然語言規劃，再產生 schema-aware SQL、執行 assertion 檢查，並把異常訊號連回版本化 RTL。

這和本系列先前討論的 可驗證 IC 設計狀態接上了一個缺口：設計狀態即使有版本，若大量動態結果仍只能靠人打開 viewer 搜尋，Agent 仍無法有效使用它。BTTF 的新意是把 post-simulation artifact 變成低延遲、可組合的查詢介面。

Simulator 產生 VCD waveform，前處理將訊號 metadata 與時間變化寫入 SQLite；Orchestrator 分派分析與驗證 Agent 查詢資料庫並定位 RTL。
圖一：依據 BTTF 論文的 waveform preprocessing 與 multi-agent 架構重繪。資料路徑與角色來自論文；方塊配置為示意。

Waveform 先變成資料庫，context 問題才變成 query 問題

BTTF 的第一層不是 LLM，而是資料轉換。它把 signal declaration 放進 signal_metadata，把每次 value transition 以 timestamp 與 foreign key 寫入 signal_changes。Agent 查「某訊號第一次變成 42 的時間」時，不需要讀完整 VCD，只需要產生對應的 filter 與排序查詢。

這個選擇把成本從 token 移到 ingestion 與 index。論文的 fully unpruned database 為 1,420 MB，平均 query latency 410.5 ms；移除 clock transition 後縮到 480 MB，latency 降到 125.2 ms，保留 98.51% functional toggle coverage。再移除 zero-toggle signals，資料量降到 395 MB、latency 94.8 ms，論文報告 active-net coverage 仍為 100%。更激進的 below-average pruning 雖縮到 185 MB、41.6 ms，coverage 只剩 64.23%。BTTF Table 1

這組數字指出平台上的實際取捨：資料壓縮不能只看 storage ratio。若 pruning 移除了 root-cause 需要的低活動訊號，Agent 查得再快也沒有用。較合理的第一步是移除高頻 clock transition 與完全沒有切換的訊號，再依 debug workload 決定是否需要更積極的摘要。

Ingestion 本身也有工程成本。論文以 batched insertion 取代逐 row 寫入，最高得到 2.89× database generation speedup。對大型 regression farm 而言，這表示 waveform-to-queryable-store 應視為 simulation pipeline 的正式 stage，而不是 debug 發生後才臨時轉檔。

多 Agent 的收益來自工具分工，也付出近兩倍 latency

BTTF 把工作拆成 Orchestration、Analysis、Verification 與 Evaluation。Analysis Agent 專注 schema 與 SQL；Verification Agent 執行 ASSERT、ASSERT_STATIC、ASSERT_NEVER、ASSERT_KNOWN、COVER 等規則並關聯 source；Evaluation Agent 再檢查 query 是否符合 schema、時間條件與 scope。

150 個 expert-annotated queries 的整體 execution accuracy 為 95.33%。其中 scope/net discovery、value change count、event timing check 都報告 100%；RTL attribution 為 87.5%，static SVA check 為 84.62%，dynamic SVA check 為 90.91%。這些差距很重要：資料查詢已相當穩定，跨 waveform 到 source 或 assertion semantics 的任務仍較難。BTTF benchmark

論文也比較單一 Agent 與多 Agent。多 Agent 在五項 autorater 指標上的 reasoning quality 高 17.3%，但平均 latency 是 1.96×。因此平台不需要把每個查詢都送進完整協作流程。單一訊號 value lookup 可以走直接工具；需要跨 scope、source 與 assertion 的多步 root-cause 才值得付出 orchestration latency。

這也修正了「Agent 越多越可靠」的直覺。分工有價值的前提，是每個角色握有不同且明確的工具能力；若只是把同一份 context 在多個模型間轉述，成本會增加，資料品質卻沒有改善。

從 VerilogCoder 到 BTTF，介面正在從程式結構延伸到執行狀態

2025 年的 VerilogCoder已經讓 coding agent 透過 AST-based waveform tracing 處理硬體設計問題。BTTF 往前推了一步：它不只讓 Agent 看程式結構，而是把大量 temporal state 轉成一般資料系統熟悉的 relational query。

這個演進對 IC 設計平台的含義，比「又多一個 verification agent」更大。既有 EDA flow 已經有 simulator、waveform database、coverage database、log 與 source control；Agent 平台需要補的是穩定的 machine interface，讓這些 artifact 能被查詢、交叉定位與量測。

可行的導入順序是先做 read-only debug path。固定一批 regression failures，保留 engineer golden answers，量測 scope discovery、timestamp lookup、RTL attribution 與 assertion diagnosis 的正確率、P50/P95 latency、資料轉換時間與 storage overhead。等 read path 穩定，再決定是否讓 Agent 產生新的 assertion、test stimulus 或 RTL patch。這樣能把「會查」和「會改」分成兩個可獨立評估的能力。

未來 12 個月若這條路線成立，最值得觀察的訊號不是更大的 LLM，而是 EDA vendor 與內部 CAD 平台是否開始提供穩定的 waveform／coverage query API、source mapping，以及能跨 regression run 比較的 schema。若每套 simulator 仍需獨立解析 proprietary dump，BTTF 的方法仍有研究價值，但導入成本會停留在資料轉譯層。

週三相對週二的新增變化

本週既有 Agentic Design 主線已涵蓋模型操作 EDA 工具、design state 與跨工具流程。BTTF 新增的是另一個方向：Agent 不只需要 action surface，也需要為大型執行結果設計 query surface。

這會改變平台優先順序。對 post-simulation verification，先建立可查詢的 artifact layer，可能比先做 GUI agent 或增加模型 context 更有效。BTTF 的結果已顯示資料表示方式能把 4.2 GB waveform 轉成百毫秒級查詢；下一步要驗證的是相同方法能否跨 simulator、coverage database 與更長 regression window 保持準確。

證據範圍

BTTF 是 2026 年 10 月 5 日公開的研究論文，benchmark 使用 Gemini 2.5 Pro、4.2 GB VCD、18,450 nets 與 150 個人工標註 query；95.33% 是該資料集的 execution accuracy。論文沒有提供商用 full-chip regression 的 production deployment，也沒有證明 SQLite 是所有 waveform 規模的最佳 storage engine。

文中的 read-only 導入順序、direct-query fast path 與跨 artifact query layer 是依論文結果提出的工程推論。若後續在不同 simulator、proprietary waveform、數十到數百 GB window 或多使用者環境中，ingestion 成本、source mapping error 或 query latency 明顯惡化，就需要改用 columnar／time-series storage、分散式索引或 vendor-native API，而不能直接沿用目前配置。

References