UniRTL：融合代码与图的鲁棒 RTL 表征学习

基于摘要分析。UniRTL 研究寄存器传输级（RTL）硬件设计的表征学习，针对单独使用代码或图表示可能限制表达能力与泛化的问题，提出联合利用 RTL 代码和控制数据流图（CDFG）的多模态预训练框架。其主要研究对象是硬件设计自动化，而非 EEG 或 BCI。 机制上，作者将 CDFG 的结构信息与代码显式表达的语义、功能信息视为互补，通过相互掩码建模实现代码与图之间的细粒度对齐。训练采用分层策略，包含预训练的 graph-aware tokenizer，并先对齐文本形式的功能摘要与代码，再引入图模态。摘要未交代掩码对象、预测目标、损失形式、tokenizer 的训练数据及各阶段参数更新方式，这些实现细节尚未验证。 作者报告，在多个设置下，UniRTL 在性能预测与代码检索两类下游任务中持续优于既有方法。但摘要未提供数据集、划分协议、基线名称、指标或具体数值，因此尚不能判断提升幅度、鲁棒性的具体含义及适用边界；实验协议、消融及统计信息尚未验证。 该方法依赖同一 RTL 设计的代码—CDFG 对应关系，并在训练中利用功能摘要。材料未建立这些数据结构与 EEG 信号之间的具体对应关系，不能将其结果视为 BCI 表征学习有效性的证据，也不足以直接提出 EEG 迁移实验。相关 EEG 工作尚未检索确认。复现前需取得全文，核对模态配对与图构建流程、预训练和下游数据的划分关系，以及各对齐阶段和掩码建模机制的独立贡献。