近日，我校智能信息学院沈逸恒老师联合西北工业大学、浙江大学等国内科研团队的研究成果Quality over Quantity: Diversity Aware Data Selection for Efficient Verilog Code Generation正式发表于国际权威期刊《Information Sciences》。该成果以南通师范高等专科学校为第一作者单位，继上一篇一区Top期刊论文之后，再次产出高水平科研成果，标志着我校在硬件大模型、EDA 数据集智能治理方向的研究工作取得重要进展。
当前，大语言模型在 Verilog 硬件代码生成、芯片辅助设计场景展现巨大应用潜力，但现有公开训练数据集普遍存在噪声大、样本冗余等现实问题。传统数据筛选手段往往只侧重样本单一质量指标，忽略训练集整体全局多样性，同时难以捕捉 Verilog 硬件描述语言特有的电路结构语义，限制了大模型在集成电路辅助设计领域的实际落地效果。针对该行业痛点，研究团队提出面向 Verilog 代码生成的 VeriSelector 质量 多样性协同数据筛选框架。
团队取得两项核心技术创新：一是构建多粒度质量筛选流水线，通过仿真测试台完成硬件代码功能正确性校验，并基于指令跟随难度 IFD 指标过滤指令 代码语义不匹配的劣质样本；二是融合 AST 抽象语法树、CFG 控制流图、网表 Netlist 共 109 维 Verilog 专属硬件结构特征与文本语义向量开展聚类多样性建模，设计具备理论分布保真保证的比例自适应采样策略。该框架仅使用原始数据集 20% 25% 的样本，模型性能达到全量数据集训练模型的 118% 以上，训练时间降低 80% 以上；在多款主流开源代码大模型与硬件评测基准上，平均 Pass@1 指标较全量数据集训练提升 18.49% 29.43%，为硬件大模型的高效微调提供了全新的数据优化解决方案。
论文第一作者沈逸恒老师现任我校智能信息学院人工智能数据工程技术方向专业负责人，长期从事智能软件工程、硬件大模型、数据集质量治理方向的教学与科研工作。《Information Sciences》由 Elsevier 出版集团发行，在中科院期刊分区（新锐版）中为计算机科学大类一区、JCR Q1 期刊，聚焦信息科学、智能系统、机器学习与数据工程相关研究，在计算机与信息科学学术界具有广泛影响力。
此次高水平成果的连续产出，充分彰显智能信息学院在人工智能与集成电路 EDA 交叉学科方向持续深耕的创新实力。学校将以此为契机，持续鼓励教师开展前沿科学研究，不断推进产学研深度融合，为地方数字产业、集成电路产业高质量发展贡献智力支持。
