Identificando e refatorando átomos de confusão em códigos SystemVerilog usando LLMs

Descrição

Átomos de confusão são construções de código que, embora válidas sintaticamente, podem induzir interpretações incorretas, ambiguidades ou erros de compreensão por parte de desenvolvedores. Em linguagens de descrição de hardware (HDL), como SystemVerilog, esses padrões podem comprometer a legibilidade, manutenção e confiabilidade de projetos digitais, especialmente em contextos educacionais e colaborativos. Com o avanço recente de Large Language Models (LLMs) e agentes de Inteligência Artificial aplicados à engenharia de software, surge a oportunidade de investigar se essas tecnologias conseguem identificar e corrigir automaticamente padrões problemáticos em códigos HDL. Entretanto, ainda existem poucas pesquisas voltadas especificamente à aplicação dessas tecnologias em SystemVerilog e na análise de problemas relacionados à compreensão de código. Este projeto propõe investigar o uso de LLMs e agentes de IA na identificação e refatoração de átomos de confusão previamente catalogados em códigos SystemVerilog. O projeto será dividido em duas frentes principais: a análise da capacidade de diferentes LLMs em detectar problemas de compreensão em códigos HDL e a avaliação da capacidade de agentes de IA em propor refatorações adequadas para esses problemas. Como resultado, espera-se produzir conhecimento científico sobre o uso de IA generativa aplicada à qualidade de código HDL, além de contribuir com métricas, análises comparativas e diretrizes para o uso dessas tecnologias em engenharia de hardware digital.