🤖 AI

AgRefactor: Self-Evolving Agentic Workflow for HLS Compatibility and Performance

AgRefactor est un flux de travail multi-agents entièrement automatisé, open-source et auto-évolutif qui exploite les LLM et des outils automatisés pour refactoriser efficacement des logiciels réels complexes en un code de synthèse de haut niveau (HLS) haute performance et synthétisable, surpassant les méthodes de pointe existantes tant en termes de compatibilité que de vitesse.

Auteurs originaux : Yang Zou, Zijian Ding, Yizhou Sun, Jason Cong

Publié 2026-07-01

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Yang Zou, Zijian Ding, Yizhou Sun, Jason Cong

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Le Grand Problème : Le fossé de la « Traduction »

Imaginez que vous avez une recette brillante écrite dans une langue moderne et complexe (comme un programme informatique de haut niveau). Vous voulez transformer cette recette en une machine de cuisine automatisée et physique (une puce matérielle) capable de la cuisiner instantanément.

Le problème est que la machine ne comprend que des instructions très strictes et démodées. Elle ne peut pas gérer des ingrédients sophistiqués comme les « listes dynamiques » ou les « pointeurs complexes ». Si vous essayez de nourrir directement la machine avec la recette moderne, elle casse.

Actuellement, des experts humains doivent s'asseoir et réécrire manuellement toute la recette, ligne par ligne, pour qu'elle s'adapte à la machine. Cela prend des jours et est incroyablement fastidieux.

La Solution : AgRefactor (Le « Traducteur Auto-Apprenant »)

Les auteurs ont construit AgRefactor, une équipe d'assistants IA (agents) qui traduit automatiquement les logiciels modernes en code prêt pour le matériel. Mais contrairement aux outils précédents qui se contentent de suivre un carnet de règles rigide ou qui devinent au hasard, AgRefactor est spécial car il apprend de ses propres erreurs et de ses succès.

Considérez AgRefactor comme un maître charpentier doté d'un carnet magique qui se met à jour tout seul.

1. La « Mémoire Auto-Évolutive » (Le Carnet Magique)

La plupart des outils d'IA oublient ce qu'ils ont appris une fois la tâche terminée. S'ils échouent à réparer un certain type de nœud dans un morceau de bois, ils risquent de commettre la même erreur sur la pièce suivante.

AgRefactor est différent. Chaque fois qu'il tente de traduire un programme :

S'il réussit : Il note précisément comment il a résolu le problème dans sa « Mémoire Factuelle ».
S'il échoue : Il note pourquoi il a échoué et quelle était l'erreur spécifique dans sa « Mémoire Stratégique ».

Lorsqu'un nouveau programme difficile arrive, l'IA ne repart pas de zéro. Elle ouvre son carnet, cherche un travail passé similaire et se dit : « Ah, je me souviens de ce nœud délicat ! La dernière fois, j'ai dû couper le bois différemment. Réessayons cela. » Cela la rend beaucoup plus rapide et précise face à de nouvelles tâches inédites.

2. La Stratégie de « l'Utilisation d'Outils » (L'Outil Électrique vs Le Marteau)

Parfois, une IA essaie de résoudre un problème en « réfléchissant » (en utilisant un grand modèle de langage), ce qui est lent et coûteux. D'autres fois, il est préférable d'utiliser simplement un outil spécifique.

AgRefactor est assez intelligent pour connaître la différence :

Les Outils Électriques : Si un problème peut être résolu par un script automatisé standard (comme une perceuse électrique), AgRefactor utilise cet outil immédiatement. C'est rapide, peu coûteux et parfait.
Le Marteau (L'IA) : Si le problème est trop étrange pour la perceuse (comme un morceau de bois de forme personnalisée), l'IA intervient pour le marteler manuellement.

En mélangeant ces deux approches, AgRefactor évite de perdre du temps à « réfléchir » à des problèmes qu'un simple outil pourrait résoudre instantanément.

3. L'Agent d'Optimisation (Le Régleur)

Une fois le code traduit et la machine capable de l'exécuter, AgRefactor ne s'arrête pas là. Il possède une seconde équipe d'agents dédiés au réglage de la machine.

Imaginez que vous avez un moteur de voiture qui fonctionne, mais qu'il tourne un peu lentement. Cet agent examine les journaux du moteur, identifie les goulots d'étranglement (comme une conduite de carburant obstruée) et restructure les pièces du moteur pour le rendre plus rapide. Il ne se contente pas de modifier les réglages ; il réécrit réellement la conception du moteur pour le rendre plus efficace, atteignant des gains de vitesse massifs par rapport aux méthodes de réglage standards.

Les Résultats : Pourquoi c'est important

Les chercheurs ont testé AgRefactor sur 11 projets logiciels réels très difficiles (certains dépassant les 1 000 lignes de code).

Meilleur taux de réussite : Il a réussi à traduire 9 programmes sur 11 parmi les plus difficiles, battant à la fois les meilleurs outils automatisés et les autres méthodes d'IA.
Plus Rapide et Moins Cher : Parce qu'il utilise des outils quand c'est possible et apprend de ses erreurs passées, il est beaucoup plus rapide et coûte moins cher que les méthodes d'IA précédentes qui devinaient aveuglément.
Boost de Vitesse : Lors de l'optimisation du matériel final, il a permis aux conceptions de fonctionner 6,5 fois plus vite en moyenne que les meilleurs outils de réglage existants.

Résumé

AgRefactor est comme une équipe de traducteurs experts qui :

Gardent un carnet de chaque erreur et de chaque succès pour ne jamais répéter les mêmes fautes.
Savent quand utiliser un outil simple et quand réfléchir de manière créative.
Ne se contentent pas de traduire le code ; ils règlent le moteur pour qu'il tourne à pleine vitesse.

Il transforme le travail lent et douloureux de la réécriture manuelle de logiciels pour le matériel en un processus automatisé et rapide qui devient de plus en plus intelligent à chaque tâche accomplie.

Résumé Technique : AgRefactor : Un flux de travail agentique auto-évolutif pour la compatibilité HLS et la performance

1. Énoncé du problème

La synthèse de haut niveau (HLS - High-Level Synthesis) vise à simplifier la transition des concepts de conception vers le silicium en élevant l'abstraction du niveau de transfert de registres (RTL) vers des conceptions basées sur le C/C++. Cependant, un goulot d'étranglement important subsiste : la conversion de dépôts de logiciels réels en code HLS synthétisable. Cette phase de refactorisation préparatoire est laborieuse, nécessitant souvent des jours d'expertise humaine pour produire un programme initial compatible avec la HLS en raison du support de langage restrictif et de l'écart entre les pratiques de programmation logicielle et matérielle.

Les approches de refactorisation existantes, qu'elles soient automatisées ou basées sur des modèles de langage (LLM), font face à trois défis majeurs :

Généralisabilité : Les outils basés sur des règles échouent souvent face aux structures de données complexes (ex: conteneurs STL, pointeurs imbriqués) et aux bibliothèques externes. Les approches purement LLM peinent avec les programmes longs où des motifs invalides s'étendent sur plusieurs emplacements ou lorsqu'elles traitent des implémentations non standard absentes des données d'entraînement.
Scalabilité : Les flux de travail purement LLM entraînent des coûts de calcul élevés et présentent une grande variance dans les résultats en raison de la nature intrinsèquement aléatoire des LLM.
Coût : Les boucles de rétroaction d'erreurs itératives dans les méthodes basées sur les LLM sont plus coûteuses en termes de calcul que les outils automatisés.

2. Méthodologie

Les auteurs proposent AgRefactor, un flux de travail multi-agents basé sur les LLM conçu pour refactoriser des logiciels réels en programmes HLS synthétisables et performants. Le système est entièrement automatisé et en open-source, construit sur le framework AG2.

A. Aperçu du framework

Le pipeline opère à travers les étapes suivantes :

Génération de tests : Avant la refactorisation, un Générateur de Tests crée des tests et des hypothèses d'interface (ex: tailles de tableaux, signatures de fonctions) pour servir de contraintes de haut niveau.
Diagnostic et Planification :
- Identificateurs : Six agents spécifiques par catégorie s'exécutent en parallèle pour détecter les constructions non synthétisables (ex: mémoire dynamique, récursion, appels système, arithmétique de pointeurs).
- Organisateur d'éléments : Fusionne et déduplique les découvertes des Identificateurs.
- Planificateur : Génère un plan de refactorisation complet, enrichi par une mémoire stratégique et factuelle.
Refactorisation : Un Travailleur de Refactorisation applique le plan.
Validation et Correction : La sortie subit une synthèse et une simulation. Si des erreurs surviennent, une paire Analyseur-Correcteur met à jour de manière itérative le code ou le banc de test jusqu'au succès ou jusqu'à une limite de tentatives.
Optimisation : Une fois le code synthétisable produit, un agent d'optimisation améliore de manière itérative la performance matérielle en utilisant un environnement CLI avec accès aux outils EDA (Vitis HLS, LightningSim) et aux outils de transformation de source à source.

B. Mémoire Agentique Auto-Évolutive

Pour répondre au problème de généralisabilité, AgRefactor incorpore un système de mémoire spécialisé qui accumule et récupère des connaissances à travers les tâches.

Structure de la connaissance : Chaque entrée de mémoire est un tuple $(p_i, I_i, s_i, c_i)$ , représentant le programme initial, les constructions incompatibles identifiées, la stratégie de refactorisation et une critique généralisée.
Mécanisme de récupération : Une métrique de distance spécialisée combine les plongements (embeddings) de programmes bruts ( $e_c$ ) et les plongements d'éléments identifiés ( $e_i$ ) pour récupérer les plans et critiques passés pertinents. Cela permet au système de s'adapter aux modes de succès et d'échec spécifiques du modèle plutôt que de s'appuyer sur des modèles RAG manuellement conçus.
Évolution : À mesure que le système traite diverses tâches, il accumule des connaissances factuelles et stratégiques, améliorant sa robustesse sur des programmes inédits.

C. Intégration d'outils pour la Scalabilité et le Coût

Pour atténuer le coût élevé et la scalabilité limitée des LLM, AgRefactor intègre HeteroRefactor, un outil de refactorisation automatisé de pointe et open-source.

Flux de travail hybride : Le système emploie une stratégie gourmande, tentant d'abord une refactorisation automatisée via HeteroRefactor. Si elle réussit, le processus se termine immédiatement.
Spécialiste d'outils : Si l'outil échoue, un pipeline dédié "Spécialiste d'outils" est déclenché. Les agents LLM effectuent des réécritures légères (ex: suppression d'en-têtes problématiques) pour rendre le code "compatible avec HeteroRefactor", déléguant ainsi la majeure partie de la transformation à l'outil efficace. Cela équilibre la flexibilité pilotée par le LLM et l'efficacité basée sur l'outil.

D. Agent d'Optimisation de la Performance

Au-delà de la synthèse, un agent d'optimisation améliore de manière itérative la performance matérielle.

Hiérarchie : L'agent suit une hiérarchie stricte en trois phases : (1) réécritures structurelles, (2) analyse du rapport de planification (scheduling-report) pour résoudre les violations de chemin critique, et (3) ajustement fin des pragmas.
Mémoire de travail : L'agent utilise une mémoire de travail basée sur un arbre pour suivre les versions de code synthétisées et les stratégies d'optimisation, évitant la dégradation du contexte et les boucles improductives lors d'exécutions de plusieurs heures.

3. Contributions Clés

Workflow AgRefactor : Un flux de travail agentique entièrement automatisé capable de refactoriser des logiciels réels en code HLS synthétisable et performant. Il traite distinctement la refactorisation structurelle, qui impacte significativement la performance matérielle, plutôt que de se concentrer uniquement sur la correction ou l'insertion de pragmas.
Système de Mémoire Auto-Évolutif : Un système de mémoire d'agent spécialisé qui accumule et récupère continuellement des connaissances tant factuelles que stratégiques. Cela améliore la robustesse du LLM de base dans la refactorisation HLS avec un minimum d'intervention humaine.
Intégration d'Outils Hybrides : L'intégration d'outils de refactorisation automatisés (HeteroRefactor) dans le cadre agentique crée un pipeline hybride. Cela réduit considérablement les coûts de calcul et améliore la scalabilité par rapport aux approches purement pilotées par les LLM.

4. Résultats Expérimentaux

Les auteurs ont évalué AgRefactor sur 11 benchmarks du monde réel exigeants (jusqu'à 1 266 lignes de code), soit 5 à 10 fois plus longs que les cas des travaux précédents.

Performance de Refactorisation : AgRefactor a surpassé ou égalé l'outil automatisé de l'état de l'art (SoTA) (HeteroRefactor) et une base forte basée sur les LLM (de type HLSRewriter) sur 9 des 11 benchmarks.
- Sur des benchmarks comme encode_one_block et idct_generic, le Spécialiste d'Outils a réussi à réécrire le code pour permettre à HeteroRefactor de générer des versions synthétisables.
- Sur des benchmarks plus simples, le mécanisme de mémoire a amélioré les taux de réussite pour atteindre presque 100 %.
Études d'Ablation :
- Mémoire : L'ajout de l'augmentation de la mémoire a amélioré le taux de réussite de la refactorisation pour les modèles GPT-5-mini et GPT-5. Pour GPT-5-mini, cela a amélioré les performances sur 10/11 benchmarks.
- Outils : Le Spécialiste d'Outils a considérablement amélioré les taux de réussite dans les cas complexes où HeteroRefactor seul échouait (ex: encode_one_block, argon2_fill_segment).
Performance d'Optimisation :
- L'agent d'optimisation a obtenu une accélération de la moyenne géométrique de 6,51× par rapport à l'outil de réglage de pragma SoTA (AutoDSE) dans un budget de 2 heures.
- Les améliorations proviennent de transformations structurelles (ex: remplacement de tris $O(n^2)$ par des tris radix, restructuration des piles DFS) inaccessibles aux méthodes basées uniquement sur les pragmas.
- Comparé aux conceptions open-source optimisées, AgRefactor a obtenu une accélération de 1,20× avec moins de 20 % de ressources supplémentaires.

5. Signification et Revendications

L'article affirme qu'AgRefactor représente une étape significative vers l'automatisation du flux de conception HLS en abordant la nature "laborieuse" de la conversion logiciel-vers-HLS. Sa signification réside dans :

Robustesse : Le système de mémoire auto-évolutif permet au flux de travail de s'adapter aux modes d'échec spécifiques et aux programmes inédits, surmontant les limites des systèmes RAG statiques et du prompt engineering manuel.
Efficacité : En hybridant les agents LLM avec des outils automatisés, le système atteint une haute scalabilité et un faible coût de calcul, ce qui le rend viable pour les dépôts de logiciels réels et de grande échelle.
Performance : Le framework ne se contente pas de produire du code synthétisable, il l'optimise activement, atteignant des accélérations substantielles par rapport aux outils de réglage automatisés existants grâce à des transformations de code structurelles.

Les auteurs soulignent qu'AgRefactor est entièrement automatisé et en open-source, fournissant une solution pratique aux défis de généralisation, de scalabilité et de coût inhérents aux méthodologies actuelles de refactorisation HLS.