该论文针对后量子密码（PQC）迁移中硬件实现的安全验证盲区展开研究。由于硅片一旦流片后无法远程修补，标准验收测试（如已知答案测试 KAT）的覆盖率不足可能带来致命缺陷。作者指出，在 ML-DSA 签名算法中，拒绝采样循环会根据输入消息动态调整执行路径，而 KAT 仅使用固定向量，只能触发特定深度，无法覆盖所有可能存在缺陷的路径。实际案例中，一个名为 ML-DSA 的加速器在全部 KAT 回归测试通过的情况下，仍携带一个因规范检查跑不过块 RAM 延迟而导致的缺陷——最终候选系数的未验证问题直到拒绝循环迭代 5 次时才暴露。作者认为该盲区源于测试仪器本身而非工程师疏忽，单纯依靠人工谨慎无法消除。为此，他们提出以字节级精确的黄金参考模型作为预言机，并结合随机对抗性浸泡测试，迫使拒绝循环突破固定向量限制，从而闭合验证缺口。实验在统一集成 ML-KEM-768 和 ML-DSA-65 的加速器上展开，该加速器采用片上密钥托管，由智能体大型语言模型（LLM）驱动完成从 RTL 设计到 PCIe 启动的全流程，最终在 Kintex-7 XC7K160T 上以 98.5% 的查找表占用率成功部署。实验记录了 232 个日志，其中智能体成功率为 71.6%，且呈现出明显的硬件耦合梯度：在文档和研究类任务中成功率高达 77%–85%，而综合与启动任务仅 50%–53%，作者将其归因于可观测性差异——失败集中在纠错信号仅存在于物理侧的环节。尽管作者本身可靠性一般，但最终产物在全部六项 FIPS 操作上字节精确，且部署基线通过了 779,945 次检查的零失败浸泡测试。该研究旨在将 AI 辅助设计与可审计的硬件验证方法相结合，使信任与作者身份解耦。适合关注后量子密码硬件实现、AI 辅助芯片设计以及硅前验证技术的安全工程师与硬件架构师阅读。