UniRTL：融合代码与图的鲁棒 RTL 表征学习

基于摘要分析。UniRTL 面向寄存器传输级（RTL）硬件设计的表征学习，提出联合利用代码与控制数据流图（CDFG）的多模态预训练框架，以缓解单一模态对设计语义或结构刻画不足的问题；其主要研究对象是硬件设计自动化，而非 EEG 或 BCI。 机制上，作者认为代码显式承载语义与功能信息，CDFG 则较数据流子电路或寄存器级子电路提供更完整的结构视图。UniRTL 通过相互掩码建模实现代码与图的细粒度对齐，并采用层次化训练策略：引入预训练的图感知 tokenizer，在整合图模态之前，先分阶段对齐文本形式的功能摘要与代码。摘要未说明具体掩码目标、损失形式、图构建流程及各阶段参数更新方式。 作者报告，在多种设置下开展的性能预测和代码检索两项下游任务中，UniRTL 持续优于既有方法。摘要未给出数据集、划分、对照方法、指标或具体数值，因此尚不能判断优势幅度及鲁棒性的适用边界；实验协议、消融及统计信息尚未验证，代码与预训练权重的可用性也尚未验证。 平台推测（待验证）：可迁移的假设是，细粒度跨模态掩码对齐有助于学习时序信号与结构视图的互补信息。但其原始机制依赖可配对的 RTL 代码、CDFG 和功能摘要，EEG 并无天然等价的代码—图对应关系；若探索迁移，需要重建信号片段与通道关系图的配对方式，并改造 tokenizer 和对齐目标。低信噪比、跨被试差异、通道配置变化及小数据可能使图结构不稳定，削弱对齐收益。可先在固定跨被试划分下，对比信号单模态、信号与图简单融合、加入相互掩码对齐三种设置，检验增益是否超出额外模态本身的贡献。已有 EEG 相关工作尚未检索确认。