論文の概要: AgentDSE: Reasoning-Augmented Architectural Design Space Exploration

• arxiv url: http://arxiv.org/abs/2606.21836v1
• Date: Sat, 20 Jun 2026 02:08:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-26 02:50:54.982932
• Title: AgentDSE: Reasoning-Augmented Architectural Design Space Exploration
• Title（参考訳）: AgentDSE: 拡張されたアーキテクチャ設計スペースの探索
• Authors: Chenyu Wang, Jiahe Caroline Shi, David Kong, Duane S. Boning, Zishen Wan, Yilun Du, Vijay Janapa Reddi,
• Abstract要約: AgentDSEは汎用大規模言語モデル(LLM)符号化エージェントによって駆動されるシミュレーター・イン・ザ・ループ方式である。 モデル微調整、事前計算された設計データベース、ドメイン固有コードを必要とすることなく、このアーキテクチャ推論ループを自動化します。 AgentDSEは、最大2桁の精度で、競争力またはより良い設計品質を達成する。
• 参考スコア（独自算出の注目度）: 46.001247517880536
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Traditional architectural design space exploration (DSE) is highly inefficient, typically requiring tens of thousands of simulator evaluations across various optimization methods. This inefficiency arises because conventional methods treat the simulator as a black-box oracle. In contrast, human architects effectively guide exploration by reasoning through physical constraints, performance bottlenecks, data reuse, and workload structures. To bridge this gap, we introduce AgentDSE, a simulator-in-the-loop methodology driven by a general-purpose large language model (LLM) coding agent. AgentDSE automates this architectural-reasoning loop without requiring model fine-tuning, precomputed design databases, or domain-specific optimizer code. Across deep neural network (DNN) accelerator mapping, hardware/software co-design, and CPU cache-hierarchy optimization, AgentDSE achieves competitive or better design quality with up to two orders of magnitude fewer evaluations. AgentDSE also produces inspectable traces that surface architectural hypotheses, performance cliffs, implicit priors, and simulator artifacts, making every search decision traceable rather than buried in optimizer state.
• Abstract（参考訳）: 伝統的な設計空間探索(DSE)は非常に非効率であり、通常、様々な最適化手法で数万のシミュレーター評価を必要とする。 この非効率性は、従来の方法はシミュレータをブラックボックスオラクルとして扱うためである。 対照的に、ヒューマンアーキテクトは、物理的な制約、パフォーマンスボトルネック、データの再利用、ワークロード構造を推論することで、探索を効果的にガイドします。 このギャップを埋めるために,汎用大規模言語モデル(LLM)符号化エージェントによって駆動されるシミュレーター・イン・ザ・ループ手法であるAgentDSEを導入する。 AgentDSEは、モデル微調整、事前計算された設計データベース、ドメイン固有のオプティマイザコードを必要とせずに、このアーキテクチャ推論ループを自動化する。 ディープニューラルネットワーク(DNN)アクセラレータマッピング、ハードウェア/ソフトウェアの共同設計、CPUキャッシュ階層最適化などを通じて、AgentDSEは最大2桁の精度で、競争力またはより良い設計品質を達成する。 AgentDSEはまた、アーキテクチャの仮説、パフォーマンスの限界、暗黙の事前、およびシミュレーターのアーティファクトを検査可能なトレースを生成し、全ての検索決定を最適化状態に埋もれずにトレースできるようにする。

関連論文リスト

• GASE: Gaussian Splatting-Based Automated System for Reconstructing Embodied-Simulation Environments [63.222920701596564]
  実世界での実施エージェントの訓練には熟練したオペレーターと高価なハードウェアが必要である。 シミュレーション環境は、大規模で費用対効果の高いデータ拡張を可能にすることで、魅力的な代替手段を提供する。 シミュレーションシーンを最小限のsim-to-realギャップで高速に構築することは、ロボット学習において重要な目標となっている。
  論文  参考訳（メタデータ） (2026-06-16T05:00:42Z)
• Understanding by Reconstruction: Reversing the Software Development Process for LLM Pretraining [66.89012795621349]
  大規模言語モデル(LLM)は、複雑なソフトウェア工学に必要な、深く、長期にわたる推論に苦しむことが多い。 本稿では,再構築による理解という,新しいパラダイムを提案する。 マルチエージェントシミュレーションを用いて潜在エージェント軌道を合成するフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-11T09:23:20Z)
• SynthCoder: A Synthetical Strategy to Tune LLMs for Code Completion [7.668823606571788]
  コード補完は、ソフトウェア工学における大規模言語モデル(LLM)の顕著な応用である。 本稿では,Fill-in-the-Middle(FIM)コード補完タスクにおける最先端技術を実現するために,業界をリードするプラクティスを統合するモデルであるSynthCoderを提案する。
  論文  参考訳（メタデータ） (2025-08-21T12:23:49Z)
• AgentSwift: Efficient LLM Agent Design via Value-guided Hierarchical Search [58.98450205734779]
  大規模言語モデル(LLM)エージェントは、多様なドメインにまたがる強力な機能を示している。 既存のエージェントサーチ手法には3つの大きな制限がある。 これらの課題に対処するための包括的なフレームワークを導入します。
  論文  参考訳（メタデータ） (2025-06-06T12:07:23Z)
• AIRCHITECT v2: Learning the Hardware Accelerator Design Space through Unified Representations [3.6231171463908938]
  設計空間探索は、カスタムハードウェアアーキテクチャの実現において重要な役割を果たす。 最近のAIrchitect v1は、DSEの限界を検索時間分類問題に対処する最初の試みである。
  論文  参考訳（メタデータ） (2025-01-17T04:57:42Z)
• 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)
• Surrogate-assisted Multi-objective Neural Architecture Search for Real-time Semantic Segmentation [11.866947846619064]
  ニューラルアーキテクチャサーチ(NAS)は、アーキテクチャ設計を自動化するための有望な道として登場した。 セマンティックセグメンテーションにNASを適用する際の課題を解決するために,サロゲート支援多目的手法を提案する。 提案手法は,人手による設計と他のNAS手法による自動設計の両方により,既存の最先端アーキテクチャを著しく上回るアーキテクチャを同定することができる。
  論文  参考訳（メタデータ） (2022-08-14T10:18:51Z)
• Learning Where To Look -- Generative NAS is Surprisingly Efficient [11.83842808044211]
  本稿では,より有望な潜在部分空間からサンプルを生成することを反復的に学習する,代理予測器と組み合わせた生成モデルを提案する。 このアプローチは、クエリ量を低く保ちながら、非常に効率的で効率的なアーキテクチャ検索をもたらす。
  論文  参考訳（メタデータ） (2022-03-16T16:27:11Z)

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。