論文の概要: HLSmith: An Expert-Guided Agentic Framework for C/C++-to-HLS Translation

• arxiv url: http://arxiv.org/abs/2608.06791v1
• Date: Fri, 07 Aug 2026 04:27:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-10 16:21:25.358721
• Title: HLSmith: An Expert-Guided Agentic Framework for C/C++-to-HLS Translation
• Title（参考訳）: HLSmith: C/C++-to-HLS翻訳のためのエキスパートガイドエージェントフレームワーク
• Abstract要約: 本稿では、C/C++プログラムを最適化されたHLSアクセラレータに変換するためのエキスパートガイドフレームワークであるHLSmithを紹介する。 HLSアクセラレータ開発における先行的エージェントオーケストレーションフレームワークであるChatHLSに対するPolyBench上のHLSmithの評価を行った。
• 参考スコア（独自算出の注目度）: 14.849758630217975
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Application-specific FPGA accelerators offer substantial performance and energy-efficiency gains across many application domains, but developing them is costly, often requiring months of specialized effort. Even with high-level synthesis (HLS), designers still need extensive hardware expertise to build high-performance accelerators. Although large language models (LLMs) have demonstrated strong software-generation capabilities, even frontier models lack the hardware intuition and procedural knowledge needed to reliably translate baseline C/C++ programs into high-performance HLS designs: they struggle to identify effective architectures, follow the optimization processes used by HLS experts, and apply hardware transformations consistently across diverse kernels. We present HLSmith, an expert-guided framework for translating C/C++ programs into optimized HLS accelerators. HLSmith combines three components: an HLS optimization expertise library that encodes guarded transformation recipes, their applicability and prerequisite conditions, and unsafe cases to avoid; a staged, feedback-driven orchestration flow modeled on expert HLS development practice that guides agents through synthesis, bottleneck analysis, and optimization; and a tool-grounded model-adaptation pipeline that converts optimization trajectories from commercial frontier models into training data for fine-tuning open-weight LLMs. We evaluate HLSmith on PolyBench against ChatHLS, a leading prior agent-orchestration framework for HLS accelerator development. HLSmith achieves a geometric mean speedup of 4.24x over ChatHLS while producing functionally correct designs, in both software and RTL simulation, for every benchmark, compared with ChatHLS's 57% valid-design rate. It further reaches speedups of up to 252x and 138x with commercial frontier models and open-weight models, respectively.
• Abstract（参考訳）: アプリケーション固有のFPGAアクセラレータは、多くのアプリケーションドメインで大幅なパフォーマンスとエネルギー効率の向上を提供しますが、開発にはコストがかかり、特別な作業が何ヶ月も必要になります。 高レベルシンセサイザー(HLS)でさえ、設計者は高性能アクセラレーターを構築するのに広範なハードウェアの専門知識を必要としている。 大きな言語モデル(LLM)は強力なソフトウェア生成能力を示しているが、フロンティアモデルでさえ、ハードウェアの直感や、ベースラインC/C++プログラムを高性能なHLS設計に変換するために必要な手続き的知識が欠如している。 本稿では、C/C++プログラムを最適化されたHLSアクセラレータに変換するためのエキスパートガイドフレームワークであるHLSmithを紹介する。 HLSmithは、ガードされた変換レシピをエンコードするHLS最適化専門ライブラリ、それらの適用性と前提条件、回避すべき安全でないケース、専門家のHLS開発プラクティスに基づいてモデル化された、エージェントを合成、ボトルネック分析、最適化を通じてガイドするステージドなフィードバック駆動オーケストレーションフロー、商用フロンティアモデルからの最適化トラジェクトリを、微調整されたオープンウェイトLLMのトレーニングデータに変換するツールベースのモデル適応パイプラインの3つのコンポーネントを組み合わせている。 HLSアクセラレータ開発における先行的エージェントオーケストレーションフレームワークであるChatHLSに対するPolyBench上のHLSmithの評価を行った。 HLSmithはChatHLSよりも4.24倍の速度向上を実現し、ChatHLSの有効設計率の57%と比較して、ソフトウェアとRTLシミュレーションの両方で機能的に正しい設計を実現している。 さらに、商用フロンティアモデルとオープンウェイトモデルにより、最大252倍と138倍のスピードアップを達成した。

関連論文リスト

• AgRefactor: Self-Evolving Agentic Workflow for HLS Compatibility and Performance [45.372553490781165]
  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。
  論文  参考訳（メタデータ） (2026-06-29T22:02:34Z)
• AutoVecCoder: Teaching LLMs to Generate Explicitly Vectorized Code [69.84692701646769]
  AutoVecCoderは、大規模言語モデルに自動明示的ベクトル化機能を持たせるために設計された新しいフレームワークである。 自動データ合成パイプラインであるVecPromptは、ドメイン固有の固有の知識を注入する。 強化学習フレームワークであるVecRLは、コード生成と実行効率を一致させる。 このフレームワークでトレーニングされたAutoVecCoder-8Bは、SimdBenchのSSEおよびAVXサブセット上で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-05-18T07:33:15Z)
• Beyond Test-Time Training: Learning to Reason via Hardware-Efficient Optimal Control [86.63490309209378]
  我々は、最適制御として推論を定式化し、推論時に潜在状態に対して有限水平LQR計画を行うテスト時間制御層を導入する。 アーキテクチャ層として最適制御を組み込むことは、テスト時間トレーニングを超えた推論のための効果的でスケーラブルなメカニズムを提供することを実証する。
  論文  参考訳（メタデータ） (2026-03-10T05:42:13Z)
• Bench4HLS: End-to-End Evaluation of LLMs in High-Level Synthesis Code Generation [0.0]
  大規模言語モデル(LLM)は、レジスタ転送レベル(RTL)におけるハードウェア設計を含む、コード生成において強力な能力を示している。 HLSとRTLに焦点を当てた研究の比率は過去6ヶ月で1:10から2:10に変化した。 この増加傾向は、LSMベースのHLS専用の総合的なベンチマークと評価フレームワークの必要性を浮き彫りにしている。
  論文  参考訳（メタデータ） (2026-01-16T20:52:42Z)
• MAHL: Multi-Agent LLM-Guided Hierarchical Chiplet Design with Adaptive Debugging [30.305211001929496]
  大きな言語モデル(LLM)は2.5Dに拡張することを約束している。 LLMはフラットな設計、高い検証コスト、不正確なパラメータ最適化といった課題に直面している。 階層型LLMベースのチップレット設計生成フレームワークであるMAHLを提案する。
  論文  参考訳（メタデータ） (2025-08-08T05:47:31Z)
• TimelyHLS: LLM-Based Timing-Aware and Architecture-Specific FPGA HLS Optimization [0.0]
  TimelyHLSは、タイミングクリティカルとデザイン固有のプラグマの両方で注釈付けされたHLSコードを生成する。 TimelyHLSは、プラットフォーム間のタイミング閉鎖と機能的正しさを一貫して達成する。
  論文  参考訳（メタデータ） (2025-07-23T22:08:15Z)
• LIFT: LLM-Based Pragma Insertion for HLS via GNN Supervised Fine-Tuning [38.679497621876926]
  LIFTは大規模な言語モデル(LLM)ベースのHLSのためのコーディングアシスタントで、パフォーマンスクリティカルなプラグマを自動的に生成する。 我々は、グラフニューラルネットワーク(GNN)でトレーニングプロセスを密に統合し、監督することにより、LSMを微調整する。
  論文  参考訳（メタデータ） (2025-04-29T21:42:59Z)
• ULTHO: Ultra-Lightweight yet Efficient Hyperparameter Optimization in Deep Reinforcement Learning [50.53705050673944]
  ULTHOは,1回の走行で深部RLで高速HPOを実現するための,超軽量で強力なフレームワークである。 具体的には、HPOプロセスは、クラスタ化されたアーム(MABC)を備えたマルチアームバンディットとして定式化し、それを長期の戻り値の最適化に直接リンクする。 ALE、Procgen、MiniGrid、PyBulletなどのベンチマークでULTHOをテストする。
  論文  参考訳（メタデータ） (2025-03-08T07:03:43Z)
• Exploring Code Language Models for Automated HLS-based Hardware Generation: Benchmark, Infrastructure and Analysis [14.458529723566379]
  LLM(Large Language Model)は、PythonやC++などのプログラミング言語に使用される。 本稿では,LLMを利用してHLS(High-Level Synthesis)ベースのハードウェア設計を行う。
  論文  参考訳（メタデータ） (2025-02-19T17:53:59Z)
• Reference Trustable Decoding: A Training-Free Augmentation Paradigm for Large Language Models [79.41139393080736]
  大規模言語モデル(LLM)は急速に進歩し、印象的な機能を示している。 In-Context Learning (ICL) など。 効率的なファインチューニング(PEFT)は、現在2つの主要な拡張方法である。 下流タスクへのLLM。 我々は、モデルが微調整なしで新しいタスクに迅速に適応できるパラダイムである参照信頼復号(RTD)を提案する。
  論文  参考訳（メタデータ） (2024-09-30T10:48:20Z)
• LLMC: Benchmarking Large Language Model Quantization with a Versatile Compression Toolkit [55.73370804397226]
  鍵圧縮技術である量子化は、大きな言語モデルを圧縮し、加速することにより、これらの要求を効果的に軽減することができる。 本稿では,プラグアンドプレイ圧縮ツールキットであるLLMCについて,量子化の影響を公平かつ体系的に検討する。 この汎用ツールキットによって、我々のベンチマークはキャリブレーションデータ、アルゴリズム(3つの戦略)、データフォーマットの3つの重要な側面をカバーしています。
  論文  参考訳（メタデータ） (2024-05-09T11:49:05Z)
• Allo: A Programming Model for Composable Accelerator Design [7.884541004161727]
  本稿では,効率的な空間加速器設計のための構成可能なプログラミングモデルであるAlloを紹介する。 Alloは、計算、メモリ、通信、データタイプなど、ハードウェアのカスタマイズをアルゴリズム仕様から切り離している。 評価の結果,AlloはPolyBenchのすべてのテストケースにおいて,最先端のHLSツールやADLよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2024-04-07T05:47:54Z)
• SEER: Super-Optimization Explorer for HLS using E-graph Rewriting with MLIR [0.3124884279860061]
  高レベル合成(英: High-level synthesis, HLS)とは、ソフトウェアプログラムを高レベル言語で自動的に低レベルなハードウェア記述に変換するプロセスである。 本稿では、任意のソフトウェアプログラムをHLS効率の良いコードに自動的に書き換えるHLSの超最適化手法を提案する。 この結果から,SEERは元のプログラムの1.4倍の範囲で最大38倍の性能を達成できることがわかった。
  論文  参考訳（メタデータ） (2023-08-15T09:05:27Z)
• Learning Performance-Improving Code Edits [107.21538852090208]
  本稿では,大規模言語モデル(LLM)を高レベルプログラム最適化に適用するためのフレームワークを提案する。 まず、競争力のある77,000以上のC++プログラミングサブミッションペアによる、人間のプログラマによるパフォーマンス改善編集のデータセットをキュレートする。 提案手法は,検索をベースとした少数ショットプロンプトとチェーン・オブ・シンクレットを提案し,その微調整には,自己再生に基づく性能条件付き生成と合成データ拡張が含まれる。
  論文  参考訳（メタデータ） (2023-02-15T18:59:21Z)

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。