論文の概要: LACE: Large Language Model Aided Multi-Agent Framework for Agile RISC-V Instruction Extension

• arxiv url: http://arxiv.org/abs/2608.02915v1
• Date: Mon, 03 Aug 2026 22:07:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-05 15:30:22.953006
• Title: LACE: Large Language Model Aided Multi-Agent Framework for Agile RISC-V Instruction Extension
• Title（参考訳）: LACE: アジャイルRISC-Vインストラクション拡張のための大規模言語モデル支援マルチエージェントフレームワーク
• Abstract要約: ドメイン固有の命令セットアーキテクチャ eXtensions (ISAX) は、新興ワークロードを高速化するためにRISC-Vエコシステムで広く採用されている。 既存のフレームワークはいまだにコアごとのインタフェース適応を必要としており、マイクロアーキテクチャやISAXの変更によって差分テストは失敗することが多い。 自然言語ISAXインテントをコンパクトな2レベルIRに変換するLLM支援型マルチエージェントワークフローであるLACEを提案する。
• 参考スコア（独自算出の注目度）: 14.290484938298524
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Domain-specific Instruction Set Architecture eXtensions (ISAX) are widely adopted in the RISC-V ecosystem to accelerate emerging workloads, but implementing and validating ISAXes across different cores remains slow and fragmented. Existing frameworks still require per-core interface adaptation, and differential testing often breaks once either the microarchitecture or the ISAX changes. We present LACE, an LLM-aided multi-agent workflow that translates natural-language ISAX intents into a compact two-level IR (operation-level and HDL task-level), performs retrieval-guided localized RTL edits over large repositories, and closes the loop with a compiler-agnostic riscv-formal checking flow (assuming RVFI availability or instrumentation). Across four embedded RISC-V cores, LACE raises pass@1 generation accuracy from near-zero to 72.8\% within our evaluation setup, while improving code localization and reducing integration rework. The code of LACE is available at https://github.com/UMN-ZhaoLab/LACE.
• Abstract（参考訳）: ドメイン固有の命令セットアーキテクチャ eXtensions (ISAX) は、新興ワークロードを高速化するためにRISC-Vエコシステムで広く採用されているが、異なるコアにわたるISAXの実装と検証は遅く、断片化されている。 既存のフレームワークはいまだにコアごとのインタフェース適応を必要としており、マイクロアーキテクチャやISAXの変更によって差分テストは失敗することが多い。 自然言語ISAXインテントをコンパクトな2レベルIR(オペレーションレベルおよびHDLタスクレベル)に変換し、大規模なリポジトリ上で検索誘導ローカライズされたRTL編集を行い、コンパイラに依存しないriscv形式チェックフローでループを閉じる。 LACEは4つの組み込みRISC-Vコアにまたがって、コードローカライゼーションを改善し、統合のリワークを減らすとともに、評価設定において、パス@1生成精度をほぼゼロから72.8\%に引き上げる。 LACEのコードはhttps://github.com/UMN-ZhaoLab/LACEで公開されている。

関連論文リスト

• CLIR: Liveness-Driven and Structure-Aware Fuzzing for the Cranelift Compiler [14.51845239273176]
  Craneliftは、Rustの実験的なバックエンドとして最近採用された、モダンなコンパイラバックエンドである。 SSAの有効性を保証するため,構文保存型階層生成戦略を統合した差分テストフレームワークであるCLIRを提案する。 72時間以内に、CLIRはすべてのターゲットアーキテクチャにまたがる24のバグを発見し、21と9が修正された。
  論文  参考訳（メタデータ） (2026-06-25T12:48:54Z)
• LLM Translation of Compiler Intermediate Representation [2.614444430580024]
  本稿では,GIMPLE を LLVM IR に変換するための変換器モデル IRIS-14B を提案する。 我々の知る限りでは、IRIS-14BはIR-to-IR翻訳のために明示的に訓練された最初のモデルである。 現在入手可能な最先端のオープンモデルを含む、広く使われているモデルの精度は、13～1000億のパラメータから44ポイントまで向上している。
  論文  参考訳（メタデータ） (2026-05-07T13:22:23Z)
• ORBIT: Guided Agentic Orchestration for Autonomous C-to-Rust Transpilation [5.3011925761003775]
  プロジェクトレベルのC-to-Rust翻訳のための自律型エージェントフレームワークであるORBITを提案する。 動的コンテキスト収集と依存性誘導オーケストレーションと反復検証を組み合わせたものだ。 C2RustとCRUST-Benchをはるかに上回り、安全でないRustのコードブロックをほぼゼロに減らしている。
  論文  参考訳（メタデータ） (2026-04-13T20:40:34Z)
• ACE-RTL: When Agentic Context Evolution Meets RTL-Specialized LLMs [12.204779627626273]
  ACE-RTLは170万のRTLサンプルの大規模なデータセットに基づいて訓練されたRTL特化LDMを統合している。 Comprehensive Verilog Design Problems (CVDP)ベンチマークでは、ACE-RTLは14の競争基準よりも44.87%のパスレート改善を達成した。
  論文  参考訳（メタデータ） (2026-02-10T19:09:13Z)
• MEnvAgent: Scalable Polyglot Environment Construction for Verifiable Software Engineering [54.236614097082395]
  本稿では,自動環境構築のためのフレームワークであるMEnvAgentを紹介する。 MEnvAgentは、建設失敗を自律的に解決するマルチエージェント計画実行検証アーキテクチャを採用している。 MEnvData-SWEは,これまでで最大の,現実的な検証可能なDocker環境のポリグロットデータセットである。
  論文  参考訳（メタデータ） (2026-01-30T11:36:10Z)
• Environment-Aware Code Generation: How far are We? [52.69113158357018]
  大規模言語モデル(LLM)がユーザの特定の環境に適した実行可能コードを確実に生成できるかどうかは不明である。 本稿では,環境対応コード生成(EACG)の最初の体系的研究について述べる。 その結果,現在のLLMは環境固有のコード生成に苦しむ一方で,環境の適合性や実行性も向上していることがわかった。
  論文  参考訳（メタデータ） (2026-01-18T04:58:15Z)
• VecIntrinBench: Benchmarking Cross-Architecture Intrinsic Code Migration for RISC-V Vector [8.59222474360646]
  アーキテクチャ間でのRISC-Vベクトル(RVV)固有の関数の変換は、現在主流のアプローチである。 現在、RVV拡張の固有のマイグレーション機能を包括的に評価するベンチマークはない。 RVV拡張を包含する最初の固有ベンチマークであるVecIntrinBenchを提案する。
  論文  参考訳（メタデータ） (2025-11-24T08:11:10Z)
• Sample-Efficient Online Learning in LM Agents via Hindsight Trajectory Rewriting [92.57796055887995]
  本稿では,言語モデルエージェントの強化学習から後視体験のリプレイに適応するプロンプトフレームワークECHOを紹介する。 ECHOは失敗した試みで達成できた代替目標のために最適化された軌道を生成する。 我々は、テキストベースのナビゲーションと計画ベンチマークであるXMiniGridのステートフルバージョンと、協調的な情報収集企業シミュレーションであるPeopleJoinQAについて、ECHOを評価した。
  論文  参考訳（メタデータ） (2025-10-11T18:11:09Z)
• LM-Searcher: Cross-domain Neural Architecture Search with LLMs via Unified Numerical Encoding [55.5535016040221]
  LM-Searcherは、クロスドメインニューラルネットワーク最適化のための新しいフレームワークである。 我々のアプローチの中心は、ニューラルネットワークのための普遍的な数値文字列表現であるNCodeである。 我々のデータセットは、幅広いアーキテクチャとパフォーマンスのペアを含み、堅牢で伝達可能な学習を促進する。
  論文  参考訳（メタデータ） (2025-09-06T09:26:39Z)
• 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)
• Rethinking Testing for LLM Applications: Characteristics, Challenges, and a Lightweight Interaction Protocol [83.83217247686402]
  大言語モデル(LLM)は、単純なテキストジェネレータから、検索強化、ツール呼び出し、マルチターンインタラクションを統合する複雑なソフトウェアシステムへと進化してきた。 その固有の非決定主義、ダイナミズム、文脈依存は品質保証に根本的な課題をもたらす。 本稿では,LLMアプリケーションを3層アーキテクチャに分解する: textbftextitSystem Shell Layer, textbftextitPrompt Orchestration Layer, textbftextitLLM Inference Core。
  論文  参考訳（メタデータ） (2025-08-28T13:00:28Z)

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。