本论文围绕后量子密码硬件加速器在AI辅助设计中的验证盲区展开。作者指出，后量子迁移需要按时间表推进，但硅片一旦带有缺陷无法远程修补。针对ML-DSA签名算法，标准验收门（如已知答案测试KAT）无法检测整类缺陷，因为签名过程会反复重采样直到候选满足范数界限，执行路径随消息而变化，而KAT使用固定向量只能触发其种子所对应的有限深度，路径覆盖不足。在案例中，研究者设计的加速器虽然通过全部KAT回归，却仍携带一个范数检查延迟超过块RAM延迟的缺陷，导致每个候选的最终系数未能被验证，该缺陷直到拒绝循环迭代到第5次才暴露，说明盲点源于测试仪器而非工程师疏忽。为闭合这一验证缺口，作者提出将字节精确的黄金参考预言机与随机对抗性浸泡（soak）相结合，以强制拒绝循环覆盖超过任何固定向量的路径。实验进行了301,343次依赖数据的签名，实现零逃逸。这种方法被设计为仅审查工件而非取代作者，使得信任可以与作者身份分离，从而让AI作者的身份问题成为可回答的客观问题。论文还报告了232次记录的实验：由一个智能体型大型语言模型（agentic LLM）驱动从RTL到PCIe启动的ML-KEM-768和ML-DSA-65统一加速器设计并在Kintex-7 FPGA上实现，以98.5%的切片占用率交付。总体成功率为71.6%，遵循硬件耦合梯度：文档和研究类任务成功率达77-85%，而综合和启动类任务仅50-53%，可观察性可解释这一差异——失败集中在只有物理侧才能获得纠正信号的环节。尽管该AI作者极不可靠，但最终生成的工件在所有六个FIPS操作上字节精确，且其部署基线通过了779,945项检查的零失败浸泡——这是论文的关键论断。