論文の概要: Agentic Architect: An Agentic AI Framework for Architecture Design Exploration and Optimization

• arxiv url: http://arxiv.org/abs/2604.25083v1
• Date: Tue, 28 Apr 2026 00:31:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-29 16:49:17.642605
• Title: Agentic Architect: An Agentic AI Framework for Architecture Design Exploration and Optimization
• Title（参考訳）: Agentic Architect: アーキテクチャ設計の探索と最適化のためのエージェントAIフレームワーク
• Authors: Alexander Blasberg, Vasilis Kypriotis, Dimitrios Skarlatos,
• Abstract要約: 本稿では,コンピュータアーキテクチャ設計の探索と最適化のためのエージェントAIフレームワークであるエージェントアーキテクトを紹介する。 キャッシュ置換、データのプリフェッチ、分岐予測など、Agentic Architectは最先端の設計に適合するか、あるいは超えている。 Agentic Architectは、エージェントAIアーキテクチャの探索と最適化のための、最初のエンドツーエンドのオープンソースフレームワークである。
• 参考スコア（独自算出の注目度）: 43.08640443219529
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Rapid advances in Large Language Models (LLMs) create new opportunities by enabling efficient exploration of broad, complex design spaces. This is particularly valuable in computer architecture, where performance depends on microarchitectural designs and policies drawn from vast combinatorial spaces. We introduce Agentic Architect, an agentic AI framework for computer architecture design exploration and optimization that combines LLM-driven code evolution with cycle-accurate simulation. The human architect specifies the optimization target, seed design, scoring function, simulator interface, and benchmark split, while the LLM explores implementations within these constraints. Across cache replacement, data prefetching, and branch prediction, Agentic Architect matches or exceeds state-of-the-art designs. Our best evolved cache replacement design achieves a 1.062x geomean IPC speedup over LRU, 0.6% over Mockingjay (1.056x). Our evolved branch predictor achieves a 1.100x geomean IPC speedup over Bimodal, 1.5% over its Hashed Perceptron seed (1.085x). Finally, our evolved prefetcher achieves a 1.76x geomean IPC speedup over no prefetching, 17% over its VA/AMPM Lite seed (1.59x) and 21% over SMS (1.55x). Our analysis surfaces several findings about agentic AI-driven microarchitecture design. Across evolved designs, components often correspond to known techniques; the novelty lies in how they are coordinated. The architect's role is shifting, but the human remains central. Seed quality bounds what search can achieve: evolution can refine and extend an existing mechanism, but cannot compensate for a weak foundation. Likewise, objectives, constraints, and prompt guidance affect reliability and generalization. Overall, Agentic Architect is the first end-to-end open-source framework for agentic AI architecture exploration and optimization.
• Abstract（参考訳）: 大規模言語モデル(LLM)の急速な進歩は、広範で複雑な設計空間の効率的な探索を可能にすることによって、新たな機会を生み出す。 これはコンピュータアーキテクチャにおいて特に有用であり、性能はマイクロアーキテクチャ設計と広大な組合せ空間から引き出されたポリシーに依存している。 本稿では,LLM駆動のコード進化とサイクル精度のシミュレーションを組み合わせたコンピュータアーキテクチャ設計と最適化のためのエージェントAIフレームワークであるAgentic Architectを紹介する。 人間アーキテクトは最適化ターゲット、シード設計、スコアリング関数、シミュレータインタフェース、ベンチマークスプリットを指定し、LLMはこれらの制約の中で実装を調査している。 キャッシュ置換、データのプリフェッチ、分岐予測など、Agentic Architectは最先端の設計に適合するか、あるいは超えている。 我々の最も進化したキャッシュ置換設計は、LRU上の1.062xGeomean IPCスピードアップを実現し、Mockingjay (1.056x)よりも0.6%向上した。 我々の進化した分岐予測器は、Bimodal上の1.100倍のジオ平均IPCスピードアップを実現し、Hash Perceptronシード(1.085倍)よりも1.5%向上した。 最後に、進化したプレフェッチャーは、プレフェッチ無しで1.76倍のGeomean IPCスピードアップ、VA/AMPM Liteシード(1.59倍)で17%、SMSで21%(1.55倍)を達成した。 分析の結果,エージェント型AI駆動マイクロアーキテクチャの設計について,いくつかの知見が得られた。 進化した設計全体において、コンポーネントはしばしば既知の技術に対応している。 建築家の役割は変わりつつあるが、人間は中心のままである。 進化は既存のメカニズムを洗練・拡張するが、弱い基礎を補うことはできない。 同様に、目的、制約、迅速なガイダンスは信頼性と一般化に影響を与える。 Agentic Architectは、エージェントAIアーキテクチャの探索と最適化のための、最初のエンドツーエンドのオープンソースフレームワークである。

関連論文リスト

• ArchAgent: Agentic AI-driven Computer Architecture Discovery [37.90375160345664]
  ArchAgentはAlphaEvolve上に開発されたコンピュータアーキテクチャの自動発見システムである。 本稿では,ArchAgentのキャッシュ置換ポリシーを自動設計・実装する機能を示す。 またエージェントAIの時代におけるコンピュータアーキテクチャ研究への幅広い影響についても概説する。
  論文  参考訳（メタデータ） (2026-02-25T21:36:16Z)
• Hardware Co-Design Scaling Laws via Roofline Modelling for On-Device LLMs [49.99513618431772]
  本稿では,モデル精度と推論性能を捉えるハードウェア共同設計法を提案する。 我々はNVIDIA Jetson Orin上で1,942の候補アーキテクチャを実証的に評価した。 我々のアーキテクチャはWikiText-2で19.42%低いパープレキシティを実現している。
  論文  参考訳（メタデータ） (2026-02-10T23:51:00Z)
• HeaRT: A Hierarchical Circuit Reasoning Tree-Based Agentic Framework for AMS Design Optimization [13.18012004667103]
  HeaRTは自動化ループの基本的な推論エンジンであり、インテリジェントで適応的でヒューマンスタイルの設計最適化に向けた第一歩である。 HeaRTは、40サイクルのベンチマークリポジトリで、推論精度97%、Pass@1のパフォーマンス98%を一貫して示しています。 実験の結果,HeaRTはサイズおよびトポロジー設計適応タスクにおいて3倍の収束性が得られることがわかった。
  論文  参考訳（メタデータ） (2025-11-24T20:11:06Z)
• Mechanistic Design and Scaling of Hybrid Architectures [114.3129802943915]
  我々は、様々な計算プリミティブから構築された新しいハイブリッドアーキテクチャを特定し、テストする。 本研究では,大規模計算最適法則と新しい状態最適スケーリング法則解析を用いて,結果のアーキテクチャを実験的に検証する。 我々は,MAD合成法と計算-最適パープレキシティを相関させ,新しいアーキテクチャの正確な評価を可能にする。
  論文  参考訳（メタデータ） (2024-03-26T16:33:12Z)
• ArchGym: An Open-Source Gymnasium for Machine Learning Assisted Architecture Design [52.57999109204569]
  ArchGymは、さまざまな検索アルゴリズムをアーキテクチャシミュレータに接続するオープンソースのフレームワークである。 我々は、カスタムメモリコントローラ、ディープニューラルネットワークアクセラレータ、AR/VRワークロード用のカスタムSOCを設計する際に、複数のバニラおよびドメイン固有の検索アルゴリズムにわたってArchGymを評価する。
  論文  参考訳（メタデータ） (2023-06-15T06:41:23Z)
• Multi-Agent Reinforcement Learning for Microprocessor Design Space Exploration [71.95914457415624]
  マイクロプロセッサアーキテクトは、高性能でエネルギー効率の追求において、ドメイン固有のカスタマイズにますます頼っている。 この問題に対処するために,Multi-Agent RL (MARL) を利用した別の定式化を提案する。 評価の結果,MARLの定式化は単エージェントRLのベースラインよりも一貫して優れていた。
  論文  参考訳（メタデータ） (2022-11-29T17:10:24Z)
• iDARTS: Differentiable Architecture Search with Stochastic Implicit Gradients [75.41173109807735]
  微分可能なArchiTecture Search(DARTS)は先日,ニューラルアーキテクチャサーチ(NAS)の主流になった。 暗黙の関数定理に基づいてDARTSの過次計算に取り組む。 提案手法であるiDARTSのアーキテクチャ最適化は,定常点に収束することが期待される。
  論文  参考訳（メタデータ） (2021-06-21T00:44:11Z)
• Evolving Neural Architecture Using One Shot Model [5.188825486231326]
  EvNAS(Evolving Neural Architecture using One Shot Model)と呼ばれるNAS問題に単純な遺伝的アルゴリズムを適用する新しい手法を提案する。 EvNASはプロキシデータセット、すなわちアーキテクチャを検索する。 CIFAR-10 for 4.4 GPU day on a single GPU and achieve a top-1 test error of 2.47%。 アーキテクチャ探索問題の解法における進化的手法の可能性を示す。
  論文  参考訳（メタデータ） (2020-12-23T08:40:53Z)
• AlphaGAN: Fully Differentiable Architecture Search for Generative Adversarial Networks [15.740179244963116]
  GAN (Generative Adversarial Networks) はミニマックスゲーム問題として定式化され、ジェネレータは差別者に対する対戦学習によって実際のデータ分布にアプローチしようとする。 本研究は,ネットワークアーキテクチャの観点からのモデル学習を促進することを目的として,GANに自動アーキテクチャ探索の最近の進歩を取り入れた。 我々は,αGANと呼ばれる,生成的敵ネットワークのための,完全に差別化可能な検索フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-16T13:27:30Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。