論文の概要: MicroEvo: Knowledge-Guided LLM Sampling for Efficient Microarchitecture Design Space Exploration

• arxiv url: http://arxiv.org/abs/2608.06183v1
• Date: Thu, 06 Aug 2026 15:43:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-07 17:43:06.784369
• Title: MicroEvo: Knowledge-Guided LLM Sampling for Efficient Microarchitecture Design Space Exploration
• Title（参考訳）: MicroEvo: 効率的なマイクロアーキテクチャ設計空間探索のための知識誘導型LCMサンプリング
• Abstract要約: 既存の手法では、マイクロアーキテクチャの依存関係を考慮せずにブラインドサーチを行う。 我々は,モンテカルロ木探索(MCTS)と既製のLLMを結合した知識誘導型フレームワークであるMicroEvoを提案し,多目的マイクロアーキテクチャーの最適化を行う。
• 参考スコア（独自算出の注目度）: 16.486253446151906
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Microarchitecture design space exploration suffers from expansive search spaces and expensive PPA evaluation, leaving only a small simulation budget for design decision-making. Existing methods perform blind search without considering microarchitectural dependencies and fail to learn from the iterative search effectively, leading to wasted evaluations and weak Pareto convergence. In this paper, we propose MicroEvo, a knowledge-guided framework that couples off-the-shelf LLMs with Monte Carlo Tree Search (MCTS) for multi-objective microarchitecture optimization. MicroEvo combines LLM-driven evolutionary operators, a Pareto-aware tree policy that balances Pareto contribution and diversity, an active knowledge accumulation mechanism that extracts and reuses optimization insights, and state-aware directives that adapt the search behavior online. Experiments show that MicroEvo improves Pareto-front quality by up to 36.2% over NSGA-II and achieves 10.6x higher search efficiency, and also demonstrates strong scalability to a complex industrial-scale core. The code repository is available at: https://github.com/GEAR-SEU/MicroEvo-ICCAD-26.
• Abstract（参考訳）: マイクロアーキテクチャ設計の宇宙探査は、膨大な検索スペースと高価なPPA評価に悩まされており、設計決定のための小さなシミュレーション予算しか残っていない。 既存の手法では、微構造的依存関係を考慮せずにブラインドサーチを行い、反復探索から効果的に学習できず、無駄な評価とパレート収束の弱い結果となった。 本稿では,モンテカルロ木探索 (MCTS) を用いて,多目的マイクロアーキテクチャ最適化のための知識誘導フレームワークであるMicroEvoを提案する。 MicroEvoは、LLM駆動の進化的演算子、Paretoのコントリビューションと多様性のバランスをとるPareto対応ツリーポリシー、最適化の洞察を抽出し再利用するアクティブな知識蓄積メカニズム、オンラインの検索行動に適応するステートアウェアディレクティブを組み合わせたものだ。 実験の結果、MicroEvoはNSGA-IIを36.2%上回り、検索効率は10.6倍に向上し、複雑な産業規模のコアに対して高いスケーラビリティを示している。 コードリポジトリは、https://github.com/GEAR-SEU/MicroEvo-ICCAD-26で公開されている。

関連論文リスト

• Affordable Precision Agriculture: A Deployment-Oriented Review of Low-Cost, Low-Power Edge AI and TinyML for Resource-Constrained Farming Systems [0.48700127614643884]
  精密農業は、人工知能を統合して、作物のモニタリング、灌水管理、資源効率を高める。 現在のシステムの大部分は依然としてクラウドベースであり、信頼性の高い接続性を必要としている。 このレビューでは、低コストで低電力の農業におけるTiny Machine Learningの進化と受容に焦点を当てたEdge AIのデプロイメントについて紹介する。
  論文  参考訳（メタデータ） (2026-03-16T10:38:31Z)
• LUMINA: LLM-Guided GPU Architecture Exploration via Bottleneck Analysis [8.471843667828994]
  大規模言語モデル(LLM)推論は、GPUの広大なマルチモーダルな設計空間のために困難である。 既存の自動DSEメソッドは、しばしば違法に高価である。 我々は,AIを活用してDSE効率を向上させるLLM駆動型GPUアーキテクチャ探索フレームワークLUMINAを提案する。
  論文  参考訳（メタデータ） (2026-03-06T04:47:18Z)
• K-Search: LLM Kernel Generation via Co-Evolving Intrinsic World Model [57.440609834690385]
  既存のアプローチでは、進化ループ内の高速コードジェネレータとして、LLM(Large Language Models)を扱います。 我々は,共進化的世界モデルによる検索を提案し,この手法に基づいてK-Searchを構築する。 GQA, MLA, MoE カーネルを含む多種多様な複雑なカーネル上で K-Search を評価する。
  論文  参考訳（メタデータ） (2026-02-22T11:06:22Z)
• Empirical-MCTS: Continuous Agent Evolution via Dual-Experience Monte Carlo Tree Search [10.50683307818034]
  Empirical-MCTSは、ステートレス検索を連続的な非パラメトリック学習プロセスに変換するデュアルループフレームワークである。 Inpirical-MCTS はモンテカルロ木探索法とスタンドアロンの体験駆動型エージェントのどちらよりも優れていることを示す。
  論文  参考訳（メタデータ） (2026-02-04T06:14:55Z)
• LLM4CMO: Large Language Model-aided Algorithm Design for Constrained Multiobjective Optimization [54.35609820607923]
  大規模言語モデル(LLM)は、アルゴリズム設計を支援する新しい機会を提供する。 LLM4CMOは,2つの人口構成をもつ2段階のフレームワークをベースとした新しいCMOEAである。 LLMは複雑な進化最適化アルゴリズムの開発において効率的な共同設計者として機能する。
  論文  参考訳（メタデータ） (2025-08-16T02:00:57Z)
• Small Vision-Language Models: A Survey on Compact Architectures and Techniques [0.28087862620958753]
  小型視覚言語モデル(sVLM)の出現は、マルチモーダルAIにおける重要な進歩である。 この調査は、コンパクトデザインと計算効率の革新を強調するアーキテクチャの分類を提供する。
  論文  参考訳（メタデータ） (2025-03-09T16:14:46Z)
• 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)
• Maximize to Explore: One Objective Function Fusing Estimation, Planning, and Exploration [87.53543137162488]
  我々はtextttMEX というオンライン強化学習(オンラインRL)フレームワークを提案する。 textttMEXは、自動的に探索エクスプロイトのバランスをとりながら、見積もりと計画コンポーネントを統合する。 様々な MuJoCo 環境では,ベースラインを安定的なマージンで上回り,十分な報酬を得られる。
  論文  参考訳（メタデータ） (2023-05-29T17:25:26Z)
• Effective and Stable Role-Based Multi-Agent Collaboration by Structural Information Principles [24.49065333729887]
  本稿では,役割発見のための数学的構造情報に基づく役割発見法,すなわちSIRDを提案する。 次に,マルチエージェント協調のためのSIRD最適化型マルチエージェント強化学習フレームワークSR-MARLを提案する。 具体的には、SIRDは構造化、スパーシフィケーション、最適化モジュールで構成され、最適なエンコーディングツリーを生成して、役割を発見するための抽象化を実行する。
  論文  参考訳（メタデータ） (2023-04-03T07:13:44Z)
• Learning Space Partitions for Path Planning [54.475949279050596]
  PlaLaMは2次元ナビゲーションタスクにおける既存の経路計画手法よりも優れており、特に難解な局所最適化の存在下では優れている。 これらは高マルチモーダルな実世界のタスクに移行し、コンパイラフェーズでは最大245%、分子設計では最大0.4の強いベースラインを0-1スケールで上回ります。
  論文  参考訳（メタデータ） (2021-06-19T18:06:11Z)
• Rethinking Performance Estimation in Neural Architecture Search [191.08960589460173]
  本稿では,資源制約型システムにおける性能推定(PE)の体系的再考を行う。 BPEと強化学習,進化アルゴリズム,ランダム探索,異種アーキテクチャ探索などの様々な探索アルゴリズムを組み合わせることで,NASの1,000倍の高速化を実現した。
  論文  参考訳（メタデータ） (2020-05-20T09:01:44Z)

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。