論文の概要: ArchAgent v2: A Case Study with the Data Prefetching Championship
- arxiv url: http://arxiv.org/abs/2608.09874v1
- Date: Mon, 10 Aug 2026 17:28:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-11 19:16:37.397685
- Title: ArchAgent v2: A Case Study with the Data Prefetching Championship
- Title（参考訳）: ArchAgent v2: データプレフェッチングチャンピオンシップによるケーススタディ
- Abstract要約: ArchAgent v2は、自動マイクロアーキテクチャ検索をマルチレベルのデータプリフェッチにスケールするフレームワークである。
ケースケード進化探索は、個々のキャッシュレベルで順次進化し、プレフェッチを凍結することにより、設計空間を分割する。
ハードウェア実現可能性フィードバックループは、進化過程に直接リアルタイムのサイズ推定を埋め込む。
- 参考スコア（独自算出の注目度）: 36.612928353838974
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Agentic artificial intelligence has shown great promise in automating algorithm design, but scaling similar techniques to computer microarchitecture discovery remains challenging due to vast search spaces, strict hardware budgets, and long simulation times. In this work, we present ArchAgent v2, a framework which scales automated microarchitecture search to multi-level data prefetching. While the original ArchAgent successfully discovered single-level cache replacement policies in competition settings, it does not scale to multi-level prefetching where the design space and degrees of freedom are larger. To overcome this, we introduce two new additions to ArchAgent: a cascaded evolutionary search that subdivides the design space by sequentially evolving and freezing prefetchers at individual cache levels, and a hardware-realizability feedback loop that embeds real-time size-estimation directly into the evolution process. Evaluated under identical rules of the 4th Data Prefetching Championship (DPC4), ArchAgent v2 automatically designs a three-level prefetcher that outperforms the winning hand-designed solution, further demonstrating automated agentic discovery as a useful tool for computer architects. Our discovered policy achieves a 3.8\% geometric mean IPC speedup over the baseline overall and a 0.3\% improvement over the prior champion, BertiGO. On low-bandwidth single-core configurations, our policy yields a 4.6\% performance speedup compared to only 2.6\% for BertiGO. However, multi-core evolution still remains a significant challenge due to simulation latency impeding evolution speed. Finally, our profiling of an ArchAgent evolution of over 12,000 candidate designs provides key insights into how automated evolutionary agents explore and synthesize complex microarchitectural logic.
- Abstract（参考訳）: エージェント人工知能はアルゴリズム設計の自動化に大きな可能性を示してきたが、膨大な検索スペース、厳格なハードウェア予算、長いシミュレーション時間のために、コンピュータマイクロアーキテクチャー発見に類似のテクニックをスケールすることは依然として困難である。
本稿では,マイクロアーキテクチャの自動探索をマルチレベルデータプリフェッチに拡張するフレームワークであるArchAgent v2を提案する。
オリジナルのArchAgentは、競合設定で単一レベルのキャッシュ置換ポリシーをうまく発見しているが、設計空間と自由度が大きくなるマルチレベルのプリフェッチにはスケールしない。
この問題を解決するために、ArchAgentには、個別のキャッシュレベルでプレフェッチを逐次進化・凍結することで設計空間を分割するカスケード進化探索と、リアルタイムサイズ推定を直接進化プロセスに埋め込むハードウェア実現可能性フィードバックループという2つの新しい機能を導入する。
第4回データプレフェッチ選手権(DPC4)のルールで評価され、ArchAgent v2は自動で3段階のプレフェッチャーを設計する。
提案手法は, ベースライン全体のIPC速度を3.8 %向上し, 前回のチャンピオンであるBertiGOよりも0.3 %向上した。
低帯域幅シングルコア構成では,BertiGOの2.6\%に比べて4.6\%の性能向上が期待できる。
しかし、シミュレーションの遅延が進化速度を妨げるため、マルチコアの進化は依然として大きな課題である。
最後に、12,000以上の候補設計のArchAgent進化のプロファイリングは、自動進化エージェントが複雑なミクロ構造論理を探索し、どのように合成するかに関する重要な洞察を提供する。
関連論文リスト
- Perception, Verdict, and Evolution: Hindsight-Driven Self-Refining Forensics Agent for AI-Generated Image Detection [80.15317858033534]
ForeAgentは、反復的な自己進化を伴うAI生成画像検出のためのエージェント法医学フレームワークである。
ForeAgentはChameleonベンチマークで最先端のパフォーマンスを達成し、精度は82.18%に達した。
ForeAgent は GPT-5 や GPT-5-mini と比較して、より一貫性があり、因果的な推論をもたらす。
論文 参考訳（メタデータ） (2026-06-25T02:59:33Z) - Agentic evolution of physically constrained foundation models [26.896066629768494]
人工知能はますます科学的発見の自動化を推進しているが、現代のジェネラリストエージェントは物理的根拠を欠いている。
ハードウェア準拠のコンピュータシステムを自律的に設計する物理基盤のマルチエージェント発見エンジンを提案する。
論文 参考訳（メタデータ） (2026-06-24T08:07:59Z) - Agentic Discovery of Neural Architectures: AIRA-Compose and AIRA-Design [9.382770582572784]
AIRA-Compose for High-level architecture search, AIRA-Design for Low-level mechanistic implementation。
AirA-Composeは11のエージェントを使用して24時間の予算の下で基本的な計算プリミティブを探索する。
AirAformers(Transformerベース)とAIRAhybrids(Transformer-Mamba)は一貫してLlama 3.2とComposer-foundベースラインを上回っている。
論文 参考訳（メタデータ） (2026-05-15T11:40:41Z) - Agentic Architect: An Agentic AI Framework for Architecture Design Exploration and Optimization [43.08640443219529]
本稿では,コンピュータアーキテクチャ設計の探索と最適化のためのエージェントAIフレームワークであるエージェントアーキテクトを紹介する。
キャッシュ置換、データのプリフェッチ、分岐予測など、Agentic Architectは最先端の設計に適合するか、あるいは超えている。
Agentic Architectは、エージェントAIアーキテクチャの探索と最適化のための、最初のエンドツーエンドのオープンソースフレームワークである。
論文 参考訳（メタデータ） (2026-04-28T00:31:55Z) - RoboPhD: Evolving Diverse Complex Agents Under Tight Evaluation Budgets [0.2126018197183873]
本稿では,エロトーナメントの選択,EPA,グリーディヒルクライミングという3つの最適化パラダイムの体系的比較について述べる。
RoboPhDは、トレーニングとバリデーションの予算を分割する代わりに、トレーニングデータにEloコンペティションを使用してエージェントを同時に評価し、進化を促進する。
我々は、さまざまな複雑なエージェントを進化させるためのシンプルなOptimation_anything() APIを使って、MITライセンスの下で汎用ツールキットとしてRoboPhDをリリースした。
論文 参考訳（メタデータ） (2026-04-06T01:39:13Z) - ArchAgent: Agentic AI-driven Computer Architecture Discovery [37.90375160345664]
ArchAgentはAlphaEvolve上に開発されたコンピュータアーキテクチャの自動発見システムである。
本稿では,ArchAgentのキャッシュ置換ポリシーを自動設計・実装する機能を示す。
またエージェントAIの時代におけるコンピュータアーキテクチャ研究への幅広い影響についても概説する。
論文 参考訳（メタデータ） (2026-02-25T21:36:16Z) - Towards Efficient Agents: A Co-Design of Inference Architecture and System [66.59916327634639]
本稿では,エージェントアクセラレーションのための統合フレームワークであるAgentInferを提案する。
問題をAgentCollab、AgentSched、AgentSAM、AgentCompressの4つの相乗的コンポーネントに分解する。
BrowseComp-zhとDeepDiverベンチマークの実験では、これらの手法の相乗的コラボレーションを通じて、AgentInferは非効率なトークン消費を50%以上削減することを示した。
論文 参考訳（メタデータ） (2025-12-20T12:06:13Z) - UltraCUA: A Foundation Model for Computer Use Agents with Hybrid Action [77.63125913907771]
本稿では,GUIプリミティブと高レベルのプログラムツールコールのギャップを埋める基盤モデルであるUltraCUAを提案する。
7Bおよび32Bモデルによる実験は、最先端のエージェントよりも大幅に改善されている。
論文 参考訳（メタデータ） (2025-10-20T17:48:26Z) - 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) - 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)
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。