Resumen Técnico: AgRefactor: Flujo de Trabajo Agéntico Autoevolutivo para la Compatibilidad y el Rendimiento de HLS

1. Declaración del Problema

La Síntesis de Alto Nivel (HLS) tiene como objetivo agilizar la transición desde los conceptos de diseño hasta el silicio, elevando la abstracción desde el Nivel de Transferencia de Registros (RTL) hacia diseños basados en C/C++. Sin embargo, persiste un cuello de botella significativo: convertir repositorios de software del mundo real en código HLS sintetizable. Esta fase de refactorización preparatoria es laboriosa, requiriendo a menudo que expertos en el dominio dediquen días para producir un programa inicial compatible con HLS debido al soporte restrictivo de lenguaje y a la brecha entre las prácticas de programación de software y hardware.

Los enfoques de refactorización existentes, tanto automatizados como basados en Modelos de Lenguaje de Gran Escala (LLM), enfrentan tres desafíos primarios:

• Generalizabilidad: Las herramientas basadas en reglas suelen fallar ante estructuras de datos complejas (por ejemplo, contenedores STL, punteros anidados) y librerías externas. Los enfoques de LLM puro tienen dificultades con programas largos donde los patrones inválidos se extienden por múltiples ubicaciones o cuando se trata de implementaciones no estándar que faltan en los datos de entrenamiento.
• Escalabilidad: Los flujos de trabajo de LLM puro incurren en altos costos computacionales y exhiben una alta varianza en sus resultados debido a la aleatoriedad intrínseca de los LLM.
• Costo: Los bucles de retroalimentación de errores iterativos en los métodos basados en LLM son computacionalmente costosos en comparación con las herramientas automatizadas.

2. Metodología

Los autores proponen AgRefactor, un flujo de trabajo multi-agente basado en LLM diseñado para refactorizar software del mundo real en programas HLS sintetizables y de alto rendimiento. El sistema es totalmente automatizado y de código abierto, construido sobre el marco de trabajo AG2.

A. Descripción General del Marco de Trabajo

El pipeline opera a través de las siguientes etapas:

1. Generación de Pruebas: Antes de la refactorización, un Generador de Pruebas crea pruebas y supuestos de interfaz (por ejemplo, tamaños de arreglos, firmas de funciones) para servir como restricciones de alto nivel.
2. Diagnóstico y Planificación:
   • Identificadores: Seis agentes específicos por categoría se ejecutan en paralelo para detectar constructos no sintetizables (por ejemplo, memoria dinámica, recursión, llamadas al sistema, aritmética de punteros).
   • Organizador de Ítems: Fusiona y elimina duplicados de los hallazgos de los Identificadores.
   • Planificador: Genera un plan de refactorización integral, mejorado por memoria estratégica y fáctica.
3. Refactorización: Un Trabajador de Refactorización aplica el plan.
4. Validación y Corrección: La salida se somete a síntesis y simulación. Si ocurren errores, un par de Analizador-Corrector actualiza iterativamente el código o el banco de pruebas hasta alcanzar el éxito o un límite de reintentos.
5. Optimización: Una vez producido el código sintetizable, un agente de optimización mejora iterativamente el rendimiento del hardware utilizando un entorno de CLI con acceso a herramientas EDA (Vitis HLS, LightningSim) y herramientas de transformación de código fuente a fuente.

B. Memoria Agéntica Autoevolutiva

Para abordar la generalizabilidad, AgRefactor incorpora un sistema de memoria especializado que acumula y recupera conocimiento a través de las tareas.

• Estructura de Conocimiento: Cada entrada de memoria es una tupla $(p_i, I_i, s_i, c_i)$, que representa el programa inicial, los constructos incompatibles identificados, la estrategia de refactorización y una crítica generalizada.
• Mecanismo de Recuperación: Una métrica de distancia especializada combina incrustaciones (embeddings) de programas brutos ($e_c$) e incrustaciones de ítems identificados ($e_i$) para recuperar planes y críticas pasadas relevantes. Esto permite que el sistema se adapte a los modos de fallo y éxito específicos del modelo en lugar de depender de plantillas RAG diseñadas manualmente.
• Evolución: A medida que el sistema procesa diversas tareas, acumula conocimiento fáctico y estratégico, mejorando la robustez en programas no vistos.

C. Integración de Herramientas para la Escalabilidad y el Costo

Para mitigar el alto costo y la limitada escalabilidad de los LLM, AgRefactor integra HeteroRefactor, una herramienta de refactorización automatizada de código abierto de vanguardia.

• Flujo de Trabajo Híbrido: El sistema emplea una estrategia codiciosa (greedy), intentando primero la refactorización automatizada mediante HeteroRefactor. Si tiene éxito, el proceso termina inmediatamente.
• Especialista en Herramientas: Si la herramienta falla, se activa un flujo de trabajo de "Especialista en Herramientas" dedicado. Los agentes de LLM realizan reescrituras ligeras (por ejemplo, eliminar encabezados problemáticos) para hacer el código "compatible con HeteroRefactor", delegando la mayor parte de la transformación de vuelta a la eficiente herramienta. Esto equilibra la flexibilidad impulsada por LLM con la eficiencia basada en herramientas.

D. Agente de Optimización de Rendimiento

Más allá de asegurar la sintetizabilidad, un agente de optimización mejora iterativamente el rendimiento del hardware.

• Jerarquía: El agente sigue una jerarquía estricta de tres fases: (1) reescrituras estructurales, (2) análisis de reportes de programación (scheduling-report) para resolver violaciones del camino crítico, y (3) ajuste fino de pragmas.
• Memoria de Trabajo: El agente utiliza una memoria de trabajo basada en árboles para rastrear las versiones de código sintetizado y las estrategias de optimización, evitando la degradación del contexto y los bucles improductivos durante ejecuciones de varias horas.

3. Contribuciones Clave

1. Flujo de Trabajo AgRefactor: Un flujo de trabajo agéntico totalmente automatizado capaz de refactorizar software del mundo real en código HLS sintetizable y de alto rendimiento. Aborda distintivamente la refactorización estructural, lo cual impacta significativamente el rendimiento del hardware, en lugar de centrarse únicamente en la corrección o la inserción de pragmas.
2. Sistema de Memoria Autoevolutiva: Un sistema de memoria agéntica especializado que acumula y recupera continuamente conocimiento tanto fáctico como estratégico. Esto mejora la robustez del LLM base en la refactorización de HLS con una intervención humana mínima.
3. Integración de Herramientas Híbridas: La integración de herramientas de refactorización automatizadas (HeteroRefactor) en el marco agéntico crea un flujo de trabajo híbrido. Esto reduce significativamente los costos computacionales y mejora la escalabilidad en comparación con los enfoques impulsados puramente por LLM.

4. Resultados Experimentales

Los autores evaluaron AgRefactor en 11 benchmarks desafiantes del mundo real (hasta 1,266 líneas de código), que son de 5 a 10 veces más largos que los casos en trabajos previos.

• Rendimiento de Refactorización: AgRefactor superó o igualó a la herramienta automatizada de vanguardia (SoTA) (HeteroRefactor) y a un fuerte baseline basado en LLM (estilo HLSRewriter) en 9 de los 11 benchmarks.
  • En benchmarks como encode_one_block e idct_generic, el Especialista en Herramientas logró reescribir el código para permitir que HeteroRefactor generara versiones sintetizables.
  • En benchmarks más simples, el mecanismo de memoria mejoró las tasas de éxito a casi el 100%.
• Estudios de Ablación:
  • Memoria: Agregar la aumentación de memoria mejoró la tasa de éxito de refactorización tanto en GPT-5-mini como en modelos GPT-5. Para GPT-5-mini, mejoró el rendimiento en 10/11 benchmarks.
  • Herramientas: El Especialista en Herramientas mejoró significativamente las tasas de éxito en casos complejos donde HeteroRefactor por sí solo falló (por ejemplo, encode_one_block, argon2_fill_segment).
• Rendimiento de Optimización:
  • El agente de optimización logró una aceleración de la media geométrica de 6.51× sobre la herramienta de ajuste de pragmas SoTA (AutoDSE) dentro de un presupuesto de 2 horas.
  • Las mejoras provinieron de transformaciones estructurales (por ejemplo, reemplazar ordenamientos $O(n^2)$ con ordenamientos radix, reestructurar pilas DFS) inaccesibles para los métodos de solo pragmas.
  • Comparado con diseños de código abierto optimizados, AgRefactor logró una aceleración de 1.20× con menos del 20% de recursos adicionales.

5. Significado y Reivindicaciones

El artículo afirma que AgRefactor representa un paso significativo hacia la automatización del flujo de diseño HLS al abordar la naturaleza "laboriosa" de la conversión de software a HLS. Su importancia radica en:

• Robustez: El sistema de memoria autoevolutiva permite que el flujo de trabajo se adapte a modos de fallo específicos y programas no vistos, superando las limitaciones de los sistemas RAG estáticos y la ingeniería de prompts manual.
• Eficiencia: Al hibridar agentes de LLM con herramientas automatizadas, el sistema logra una alta escalabilidad y un bajo costo computacional, haciéndolo viable para repositorios de software reales y a gran escala.
• Rendimiento: El marco no solo produce código sintetizable, sino que lo optimiza activamente, logiendo aceleraciones sustanciales sobre las herramientas de ajuste automatizado existentes mediante transformaciones estructurales de código.

Los autores enfatizan que AgRefactor es totalmente automatizado y de código abierto, proporcionando una solución práctica a los desafíos de generalización, escalabilidad y costo inherentes a las metodologías actuales de refactorización de HLS.