論文の概要: AgRefactor: Self-Evolving Agentic Workflow for HLS Compatibility and Performance
- arxiv url: http://arxiv.org/abs/2606.30949v1
- Date: Mon, 29 Jun 2026 22:02:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-01 18:27:19.010247
- Title: AgRefactor: Self-Evolving Agentic Workflow for HLS Compatibility and Performance
- Title（参考訳）: AgRefactor: HLS互換性とパフォーマンスのためのセルフ進化型エージェントワークフロー
- Abstract要約: AgRefactorは、HLSプログラムにソフトウェアを組み込むためのマルチエージェントワークフローである。
自己進化型メモリシステムが組み込まれており、事実や戦略的知識を蓄積し回収する。
現実世界の11の挑戦的ベンチマークのうち9つで、AgRefactorは最先端の自動化ツールより優れているか、あるいは一致している。
- 参考スコア（独自算出の注目度）: 45.372553490781165
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: High-Level Synthesis (HLS) provides a fast path from concepts to silicon, but converting real-world software into synthesizable HLS code remains challenging due to restrictive language support and the gap between software and hardware programming practices. Existing automated and LLM-based refactoring approaches partially address this problem, yet they often lack flexibility, struggle to scale, and incur high computational costs. We introduce AgRefactor, an LLM-based multi-agent workflow for refactoring software into HLS-compatible programs. AgRefactor incorporates a self-evolving memory system that accumulates and retrieves factual and strategic knowledge across tasks, improving robustness and efficiency on unseen programs. To reduce cost and enhance scalability, it integrates automated refactoring tools, enabling agents to balance LLM-driven rewrites with efficient tool-based transformations. On 9 out of 11 challenging real-world benchmarks, which are 5-10x longer than the most complex cases studied in prior work, AgRefactor outperforms or matches the state-of-the-art automated refactoring tool and a strong LLM-based baseline built on the same framework backbone. Further agentic performance optimization yields a 6.51x geometric mean speedup over the SoTA pragma tuning tool and a 1.20x speedup over optimized open-source designs with less than 20% extra resources. AgRefactor is fully-automated and open-sourced.
- Abstract（参考訳）: 高レベル合成(HLS)は、概念からシリコンへの高速なパスを提供するが、実世界のソフトウェアを合成可能なHLSコードに変換することは、制限のある言語サポートと、ソフトウェアとハードウェアプログラミングの実践のギャップのため、依然として困難である。
既存の自動およびLLMベースのリファクタリングアプローチは部分的にこの問題に対処するが、柔軟性や拡張性に欠け、高い計算コストがかかることが多い。
ソフトウェアをHLS互換プログラムにリファクタリングするためのLLMベースのマルチエージェントワークフローであるAgRefactorを紹介する。
AgRefactorには自己進化型メモリシステムが組み込まれており、タスク全体にわたって現実的かつ戦略的知識を蓄積し、回収し、目に見えないプログラムの堅牢性と効率を改善する。
コスト削減とスケーラビリティ向上のために、自動リファクタリングツールを統合しており、エージェントはLLM駆動の書き換えと効率的なツールベースの変換のバランスを取ることができる。
以前の作業で調査された最も複雑なケースよりも5～10倍長い11の挑戦的な実世界のベンチマークのうち、9つで、AgRefactorは最先端の自動リファクタリングツールと、同じフレームワークのバックボーン上に構築された強力なLLMベースのベースラインよりも優れています。
さらにエージェント性能の最適化により、SoTAのプラグマチューニングツールよりも6.51倍、最適化されたオープンソース設計よりも1.20倍のスピードアップを得られる。
AgRefactorは完全に自動化され、オープンソース化されている。
関連論文リスト
- AUTOGATE: Automated Clock Gating via Toggling-Aware LLM-based RTL Rewriting [17.55906131128768]
本稿では,産業レベルのRTL電力最適化のための最初のエージェントフレームワークであるAUTOGATEを紹介する。
本稿では、波形レベルの解析とRTL書き換えを橋渡しする機械学習(ML)-LLM共同設計を提案する。
AUTOGATEはベースラインに対する動的パワーを一貫して減少させることを示す。
論文 参考訳（メタデータ） (2026-06-16T03:22:54Z) - Rethinking LLM-Driven Heuristic Design: Generating Efficient and Specialized Solvers via Dynamics-Aware Optimization [21.449921296295884]
本研究では,コンバージェンス・アウェア・ヒューリスティックス(DASH, Dynamics-Aware Heuristics)を提案する。
DASHは、さまざまな問題スケールにわたる最先端のベースラインのソリューション品質を越えながら、ランタイム効率を3倍以上改善します。
論文 参考訳（メタデータ） (2026-01-14T05:06:42Z) - RefAgent: A Multi-agent LLM-based Framework for Automatic Software Refactoring [8.038518812060897]
RefAgentは、エンドツーエンドソフトウェアのためのマルチエージェントLLMベースのフレームワークである。
テストの計画、実行、反復的な精錬を担当する特殊なエージェントで構成されています。
単体テストの合格率は90%で、コードの臭いを52.5%減らし、キーの品質特性を8.6%改善している。
論文 参考訳（メタデータ） (2025-11-05T03:20:58Z) - Tool-R1: Sample-Efficient Reinforcement Learning for Agentic Tool Use [50.02614257515131]
大規模言語モデル(LLM)は、言語理解と推論において強力な能力を示している。
本稿では,LLMの汎用的,構成的,多段階的なツール使用を可能にする強化学習フレームワークであるTool-R1を提案する。
論文 参考訳（メタデータ） (2025-09-16T09:22:21Z) - VerlTool: Towards Holistic Agentic Reinforcement Learning with Tool Use [78.29315418819074]
VerlToolは、体系的な設計原則を通じて制限に対処する統一的でモジュール化されたフレームワークです。
我々のフレームワークはARLTをマルチターントラジェクトリとして定式化し、マルチモード観測トークン(テキスト/画像/ビデオ)を単一ターンRLVRパラダイムを超えて拡張する。
モジュール化されたプラグインアーキテクチャは、軽量Python定義のみを必要とする迅速なツール統合を可能にする。
論文 参考訳（メタデータ） (2025-09-01T01:45:18Z) - LLM-based Multi-Agent System for Intelligent Refactoring of Haskell Code [3.8442921307218882]
Haskell コード上での処理を自動化するために,大規模言語モデル (LLM) ベースのマルチエージェントシステムを提案する。
その結果、提案したマルチエージェントシステムは、コードの複雑さを平均11.03%減少させ、コード品質を22.46%改善し、パフォーマンス効率を平均13.27%向上させることができた。
論文 参考訳（メタデータ） (2025-06-24T10:17:34Z) - DARS: Dynamic Action Re-Sampling to Enhance Coding Agent Performance by Adaptive Tree Traversal [55.13854171147104]
大規模言語モデル(LLM)は、自然言語処理、データ分析、ソフトウェア開発など、さまざまな領域に革命をもたらした。
符号化エージェントのための新しい推論時間計算スケーリングアプローチである動的アクション再サンプリング(DARS)を提案する。
我々は、SWE-Bench Liteベンチマークに対する我々のアプローチを評価し、このスケーリング戦略がClude 3.5 Sonnet V2で55%のパス@kスコアを達成したことを実証した。
論文 参考訳（メタデータ） (2025-03-18T14:02:59Z) - Improving Retrospective Language Agents via Joint Policy Gradient Optimization [57.35348425288859]
RetroActは、言語エージェントのタスク計画と自己反射進化機能を共同で最適化するフレームワークである。
模倣学習と強化学習を統合した2段階共同最適化プロセスを開発した。
RetroActはタスクのパフォーマンスと意思決定プロセスを大幅に改善しています。
論文 参考訳（メタデータ） (2025-03-03T12:54:54Z) - AIvril: AI-Driven RTL Generation With Verification In-The-Loop [0.7831852829409273]
LLM(Large Language Models)は、複雑な自然言語処理タスクを実行できる計算モデルである。
本稿では,RTL対応LLMの精度と信頼性を高めるためのフレームワークであるAIvrilを紹介する。
論文 参考訳（メタデータ） (2024-09-03T15:07:11Z) - Agent-Driven Automatic Software Improvement [55.2480439325792]
本提案は,Large Language Models (LLMs) を利用したエージェントの展開に着目して,革新的なソリューションの探求を目的とする。
継続的学習と適応を可能にするエージェントの反復的性質は、コード生成における一般的な課題を克服するのに役立ちます。
我々は,これらのシステムにおける反復的なフィードバックを用いて,エージェントの基盤となるLLMをさらに微調整し,自動化されたソフトウェア改善のタスクに整合性を持たせることを目指している。
論文 参考訳（メタデータ） (2024-06-24T15:45:22Z)
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。