論文の概要: HLSClaw: Bringing Vibe Coding to High-Level Synthesis through Skill-Based Agentic Harness

• arxiv url: http://arxiv.org/abs/2611.02784v1
• Date: Mon, 02 Nov 2026 09:01:06 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:26:45.910832
• Title: HLSClaw: Bringing Vibe Coding to High-Level Synthesis through Skill-Based Agentic Harness
• Title（参考訳）: HLSClaw: スキルベースエージェントハーネスによる高レベル合成にバイブコーディングをもたらす
• Abstract要約: 既存のHLS最適化アプローチは、固定された抽象レベルまたは弱い結合段階で動作する。 HLSClawは、HLS最適化のための最初のHLS固有の、スキルベースのエージェントハーネスである。 実世界のHLSベンチマークでは、HLSClawは39.12倍の幾何学平均遅延速度を達成し、コンパイラのベースラインであるScaleHLSを1.98倍、商用のコーディングエージェントであるClaude CodeとCodexを1.86倍と1.70倍に上回っている。
• 参考スコア（独自算出の注目度）: 10.194099822085613
• License:
• Abstract: LLM agents are rapidly shifting software development toward intent-driven \emph{vibe coding}, yet their effectiveness drops sharply in high-level synthesis (HLS), where code optimization must jointly consider design structure, directive search, and downstream hardware constraints. Existing HLS optimization approaches, including both heuristic-based methods and recent LLM-assisted pipelines, typically operate at fixed abstraction levels or in weakly coupled stages, limiting their ability to leverage the strong interplay between source code restructuring and directive search outcomes. Our key insight is that HLS optimization can be reframed from a fixed, hardwired transformation pipeline into a skill-based agentic control problem: an LLM agent equipped with modular, executable optimization skills and a feedback-driven orchestrator can autonomously navigate the coupled space of code restructuring and directive search. This motivates the design of HLSClaw, the first HLS-specific, skill-based agentic harness for holistic HLS optimization. On real-world HLS benchmarks, HLSClaw achieves a 39.12x geometric-mean latency speedup, outperforming the compiler baseline ScaleHLS by 1.98x, and surpassing the commercial coding agents Claude Code and Codex by 1.86x and 1.70x, respectively, while maintaining strong timing robustness.
• Abstract（参考訳）: LLMエージェントは、ソフトウェア開発をインテント駆動型 \emph{vibe coding} へと急速にシフトさせているが、その効果は、設計構造、ディレクティブ検索、ダウンストリームハードウェア制約を共同で考慮しなければならない高レベル合成(HLS)において著しく低下している。 既存のHLS最適化アプローチは、ヒューリスティックな手法と最近のLSM支援パイプラインの両方を含み、通常、固定された抽象化レベルまたは弱い結合ステージで動作し、ソースコード再構成とディレクティブ検索結果の間の強い相互作用を活用する能力を制限する。 我々の重要な洞察は、HLS最適化は、固定されたハードワイヤ変換パイプラインから、スキルベースのエージェント制御問題に再構成できるということです。 HLSClawは、HLS最適化のための最初のHLS固有の、スキルベースのエージェントハーネスである。 実世界のHLSベンチマークでは、HLSClawは39.12倍の幾何学平均遅延スピードアップを達成し、コンパイラのベースラインであるScaleHLSを1.98倍、商用のコーディングエージェントであるClaude CodeとCodexを1.86倍、そして1.70倍で上回った。

関連論文リスト

• HLSmith: An Expert-Guided Agentic Framework for C/C++-to-HLS Translation [14.849758630217975]
  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。
  論文  参考訳（メタデータ） (2026-08-07T04:27:04Z)
• 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)
• From I/O to Code with Discovery Agent [103.88427301265669]
  IO2Codeの発見エージェントであるDIO-Agentを提案する。 本手法は,プログラム空間上の進化的探索としてIO2Codeをフレーム化する。 大規模な実験により、DIO-Agentは従来のプログラムバイサンプル法とSOTA進化エージェントベースラインの両方を一貫して上回っていることが示された。
  論文  参考訳（メタデータ） (2026-05-14T18:57:32Z)
• Execution-Verified Reinforcement Learning for Optimization Modeling [49.171122807323634]
  実行検証学習フレームワークは、数学的プログラミング解法を決定論的で対話的な検証器として扱う。 NL4OPT, MAMO, IndustryOR, OptiBenchをグロビ, OR-Tools, COPTで行った実験では, EVOMがプロセス管理SFTに適合または優れていた。
  論文  参考訳（メタデータ） (2026-04-01T03:39:11Z)
• 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)
• 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)
• Can Reasoning Models Reason about Hardware? An Agentic HLS Perspective [18.791753740931185]
  OpenAI o3-mini と DeepSeek-R1 は Chain-of-Thought (CoT) を通じて推論を強化している 本稿では, LLM の推論が高レベル合成(HLS)設計空間探索と最適化の課題に対処できるかどうかを検討する。
  論文  参考訳（メタデータ） (2025-03-17T01:21:39Z)
• StepCoder: Improve Code Generation with Reinforcement Learning from Compiler Feedback [58.20547418182074]
  2つの主要コンポーネントからなるコード生成の新しいフレームワークであるStepCoderを紹介します。 CCCSは、長いシーケンスのコード生成タスクをCurriculum of Code Completion Subtaskに分割することで、探索課題に対処する。 FGOは、未実行のコードセグメントをマスクすることでのみモデルを最適化し、Fine-Grained Optimizationを提供する。 提案手法は,出力空間を探索し,対応するベンチマークにおいて最先端の手法より優れた性能を発揮する。
  論文  参考訳（メタデータ） (2024-02-02T13:14:31Z)

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。