🤖 AI

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

AgRefactor è un workflow multi-agente completamente automatizzato, open-source e auto-evolutivo che sfrutta LLM e strumenti automatizzati per rifattorizzare efficientemente software complessi del mondo reale in codice High-Level Synthesis (HLS) ad alte prestazioni, superando i metodi allo stato dell'arte esistenti sia in termini di compatibilità che di velocità.

Autori originali: Yang Zou, Zijian Ding, Yizhou Sun, Jason Cong

Pubblicato 2026-07-01

📖 4 min di lettura☕ Lettura da pausa caffè

CC BY 4.0

Autori originali: Yang Zou, Zijian Ding, Yizhou Sun, Jason Cong

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Il Grande Problema: Il Gap di "Traduzione"

Immaginate di avere una ricetta brillante scritta in un linguaggio moderno e complesso (come un sofisticato programma software). Volete trasformare questa ricetta in una macchina da cucina fisica e automatizzata (un chip hardware) che possa cucinarla istantaneamente.

Il problema è che la macchina capisce solo istruzioni molto rigide e antiquate. Non può gestire ingredienti "avanzati" come le "liste dinamiche" o i "puntatori complessi". Se provate a dare direttamente la ricetta moderna alla macchina, questa si rompe.

Attualmente, gli esperti umani devono sedersi e riscrivere manualmente l'intera ricetta, riga per riga, per farla adattare alla macchina. Questo richiede giorni ed è incredibilmente tedioso.

La Soluzione: AgRefactor (Il "Traduttore Auto-Apprendente")

Gli autori hanno creato AgRefactor, un team di assistenti AI (agenti) che traduce automaticamente il software moderno in codice pronto per l'hardware. Ma a differenza degli strumenti precedenti che seguono semplicemente un libro di regole rigido o tirano a indovinare, AgRefactor è speciale perché impara dai propri errori e successi.

Pensate ad AgRefactor come a un maestro falegname con un quaderno magico che si aggiorna da solo.

1. La "Memoria Auto-Evolutiva" (Il Quaderno Magico)

La maggior parte degli strumenti AI dimentica ciò che ha imparato dopo aver terminato un lavoro. Se non riesce a riparare un tipo specifico di nodo in un pezzo di legno, potrebbe commetere lo stesso errore sul pezzo successivo.

AgRefactor è diverso. Ogni volta che prova a tradurre un programma:

Se ha successo: Scrive esattamente come ha risolto il problema nella sua "Memoria Fattuale".
Se fallisce: Scrive perché ha fallito e quale sia stato l'errore specifico nella sua "Memoria Strategica".

Quando arriva un nuovo programma difficile, l'AI non riparte da zero. Apre il suo quaderno, cerca un lavoro passato simile e dice: "Ah, ricordo questo nodo complicato! L'ultima volta, ho dovuto tagliare il legno diversamente. Proviamo di nuovo." Questo la rende più veloce e molto più accurata su nuovi compiti mai visti prima.

2. La Strategia dell' "Uso degli Strumenti" (L'Elettroutensile vs Il Martello)

A volte, un'AI prova a risolvere un problema "pensando" (usando un Large Language Model), il che è lento e costoso. Altre volte, è meglio usare uno strumento specifico.

AgRefator è abbastanza intelligente da conoscere la differenza:

Gli Elettroutensili: Se un problema può essere risolto da uno script standard e automatizzato (come un trapano elettrico), AgRefactor usa subito quello strumento. È veloce, economico e perfetto.
Il Martello (L'AI): Se il problema è troppo strano per il trapano elettrico (come un pezzo di legno dalla forma personalizzata), l'AI interviene per "martellare" manualmente la soluzione.

Mescolando queste due cose, AgRefactor evita di sprecare tempo a "pensare" a problemi che un semplice strumento potrebbe risolvere istantaneamente.

3. L'Agente di Ottimizzazione (Il Regolatore)

Una volta che il codice è stato tradotto e la macchina può eseguirlo, AgRefactor non si ferma. Ha un secondo team di agenti dedicati al tuning (la regolazione) della macchina.

Immaginate di avere il motore di un'auto che funziona, ma che va un po' piano. Questo agente analizza i log del motore, trova i colli di bottiglia (come una linea di alimentazione ostruita) e ristruttura le parti del motore per farlo andare più veloce. Non si limita a regolare le impostazioni; riscrive effettivamente il design del motore per renderlo più efficiente, ottenendo accelerazioni enormi rispetto ai metodi di tuning standard.

I Risultati: Perché è Importante

I ricercatori hanno testato AgRefactor su 11 progetti software reali molto difficili (alcuni con oltre 1.000 righe di codice).

Migliore Tasso di Successo: Ha tradotto con successo 9 programmi su 11 molto difficili, superando sia i migliori strumenti automatizzati che altri metodi basati su AI.
Più Veloce e Conveniente: Poiché utilizza strumenti quando possibile e impara dai propri errori passati, è molto più veloce e costa meno dei precedenti metodi AI che tiravano a indovinare ciecamente.
Spinta di Velocità: Quando ottimizzando l'hardware finale, ha reso i design 6,5 volte più veloci in media rispetto ai migliori strumenti di tuning esistenti.

Riassunto

AgRefactor è come un team di traduttori esperti che:

Tiene un quaderno di ogni errore e successo per non ripetere mai gli stessi sbagli.
Sa quando usare un semplice strumento e quando pensare in modo creativo.
Non si limita a tradurre il codice; regola il motore per farlo correre alla massima velocità.

Trasforma il lavoro lento e doloroso di riscrivere manualmente il software per l'hardware in un processo veloce e automatizzato che diventa più intelligente con ogni compito che completa.

Riepilogo Tecnico: AgRefactor: Workflow Agente Auto-Evolutivo per la Compatibilità HLS e le Prestazioni

1. Definizione del Problema

La Sintesi ad Alto Livello (HLS) mira a snellire la transizione dai concetti di design al silicio, elevando l'astrazione dal livello di trasferimento di registro (RTL) a design basati su C/C++. Tuttavia, rimane un collo di bottiglia significativo: convertire repository software reali in codice HLS sintetizzabile. Questa fase di refactoring preparatorio è laboriosa, richiedendo spesso giorni di lavoro di esperti del settore per produrre un programma iniziale compatibile con HLS a causa del supporto linguistico restrittivo e del divario tra le pratiche di programmazione software e hardware.

Gli approoli esistenti basati sull'automazione e sui Large Language Model (LLM) affrontano tre sfide primarie:

Generalizzabilità: Gli strumenti basati su regole spesso falliscono su strutture dati complesse (es. contenitori STL, puntatori annidati) e librerie esterne. Gli approcci puramente basati su LLM faticano con programmi lunghi dove pattern non validi si estendono su più posizioni o quando si tratta di implementazioni non standard mancanti dai dati di addestramento.
Scalabilità: I workflow puramente basati su LLM comportano elevati costi computazionali ed esibiscono un'alta varianza nei risultati a causa dell'intrinseca casualità degli LLM.
Costo: I cicli iterativi di feedback sugli errori nei metodi basati su LLM sono computazionalmente costosi rispetto agli strumenti automatizzati.

2. Metodologia

Gli autori propongono AgRefactor, un workflow multi-agente basato su LLM progettato per rifattorizzare software reali in programmi HLS sintetizzabili e ad alte prestazioni. Il sistema è completamente automatizzato e open-source, costruito sulla base del framework AG2.

A. Panoramica del Framework

La pipeline opera attraverso le seguenti fasi:

Generazione dei Test: Prima del refactoring, un Generatore di Test crea test e assunzioni di interfaccia (es. dimensioni degli array, firme delle funzioni) per servire come vincoli di alto livello.
Diagnosi e Pianificazione:
- Identificatori: Sei agenti specifici per categoria operano in parallelo per rilevare costrutti non sintetizzabili (es. memoria dinamica, ricorsione, chiamate di sistema, aritmetica dei puntatori).
- Organizzatore di Elementi: Unifica e deduplica i risultati degli Identificatori.
- Pianificatore: Genera un piano di refactoring completo, potenziato da memoria strategica e fattuale.
Refactoring: Un Lavoratore di Refactoring applica il piano.
Validazione e Correzione: L'output viene sottoposto a sintesi e simulazione. Se si verificano errori, una coppia Analizzatore-Correttore aggiorna iterativamente il codice o il testbench fino al successo o al raggiungimento di un limite di tentativi.
Ottimizzazione: Una volta prodotto il codice sintetizzabile, un agente di ottimizzazione migliora iterativamente le prestazioni hardware utilizzando un ambiente CLI con accesso a strumenti EDA (Vitis HLS, LightningSim) e strumenti di trasformazione source-to-source.

B. Memoria Agente Auto-Evolutiva

Per affrontare la generalizzabilità, AgRefactor incorpora un sistema di memoria specializzato che accumula e recupera la conoscenza attraverso i task.

Struttura della Conoscenza: Ogni voce di memoria è una tupla $(p_i, I_i, s_i, c_i)$ , che rappresenta il programma iniziale, i costrutti incompatibili identificati, la strategia di refactoring e una critica generalizzata.
Meccanismo di Recupero: Una metrica di distanza specializzata combina gli embedding del programma grezzo ( $e_c$ ) e gli embedding degli elementi identificati ( $e_i$ ) per recuperare piani e critiche passati rilevanti. Ciò consente al sistema di adattarsi ai modelli specifici di fallimento e successo del modello piuttosto che affidarsi a template RAG creati manualmente.
Evoluzione: Man mano che il sistema elabora task diversi, accumula conoscenza fattuale e strategica, migliorando la robustezza su programmi non visti.

C. Integrazione degli Strumenti per Scalabilità e Costo

Per mitigare l'alto costo e la limitata scalabilità degli LLM, AgRefactor integra HeteroRefactor, uno stato dell'arte strumento di refactoring open-source automatizzato.

Workflow Ibrido: Il sistema impiega una strategia greedy, tentando prima il refactoring automatizzato tramite HeteroRefactor. Se ha successo, il processo termina immediatamente.
Specialista di Strumenti: Se lo strumento fallisce, viene attivata una pipeline dedicata "Tool Specialist". Gli agenti LLM eseguono riscritture leggere (es. rimozione di header problematici) per rendere il codice "compatibile con HeteroRefactor", delegando la maggior parte della trasformazione allo strumento efficiente. Questo bilancia la flessibilità guidata dagli LLM con l'efficienza basata sugli strumenti.

D. Agente di Ottimizzazione delle Prestazioni

Oltre a garantire la sintetizzabilità, un agente di ottimizzazione migliora iterativamente le prestazioni hardware.

Gerarchia: L'agente segue una gerarchia rigorosa a tre fasi: (1) riscritture strutturali, (2) analisi del report di scheduling per risolvere violazioni del percorso critico, e (3) tuning fine dei pragma.
Memoria di Lavoro: L'agente utilizza una memoria di lavoro basata su alberi per tracciare le versioni del codice sintetizzato e le strategie di ottimizzazione, prevenendo la degradazione del contesto e loop improduttivi durante esecuzioni di molte ore.

3. Contributi Chiave

Workflow AgRefactor: Un workflow agente completamente automatizzato capace di rifattorizzare software reali in codice HLS sintetizzabile e ad alte prestazioni. Affronta distintamente il refactoring strutturale, che impatta significativamente le prestazioni hardware, invece di concentrarsi esclusivamente sulla correttezza o sull'inserimento di pragma.
Sistema di Memoria Auto-Evolutivo: Un sistema di memoria agente specializzato che accumula e recupera continuamente sia la conoscenza fattuale che quella strategica. Questo potenzia la robustezza del modello LLM di base nel refactoring HLS con un intervento umano minimo.
Integrazione di Strumenti Ibridi: L'integrazione di strumenti di refactoring automatizzati (HeteroRefactor) nel framework agente crea un pipeline ibrido. Ciò riduce significativamente i costi computazionali e migliora la scalabilità rispetto agli approcci guidati puramente da LLM.

4. Risultati Sperimentali

Gli autori hanno valutato AgRefactor su 11 benchmark del mondo reale impegnativi (fino a 1.266 righe di codice), che sono 5–10× più lunghi dei casi presenti nei lavori precedenti.

Prestazioni di Refactoring: AgRefactor ha superato o eguagliato lo strumento automatizzato SoTA (HeteroRefactor) e un forte baseline basato su LLM (stile HLSRewriter) su 9 benchmark su 11.
- Su benchmark come encode_one_block e idct_generic, il Tool Specialist ha riscritto con successo il codice per consentire a HeteroRefactor di generare versioni sintetizzabili.
- Su benchmark più semplici, il meccanismo di memoria ha migliorato i tassi di successo portandoli quasi al 100%.
Studi di Ablazione:
- Memoria: L'aggiunta dell'aumento della memoria ha migliorato il tasso di successo del refactoring sia per GPT-5-mini che per i modelli GPT-5. Per GPT-5-mini, ha migliorato le prestazioni su 10/11 benchmark.
- Strumenti: Il Tool Specialist ha migliorato significativamente i tassi di successo in casi complessi in cui HeteroRefactor da solo falliva (es. encode_one_block, argon2_fill_segment).
Prestazioni di Ottimizzazione:
- L'agente di ottimizzazione ha ottenuto un guadagno di velocità (speedup) geometrico di 6,51× rispetto allo strumento di tuning dei pragma SoTA (AutoDSE) entro un budget di 2 ore.
- I miglioramenti derivano da trasformazioni strutturali (es. sostituire sort $O(n^2)$ con radix sort, ristrutturazione degli stack DFS) inaccessibili ai metodi basati solo su pragma.
- Rispetto ai design open-source ottimizzati, AgRefactor ha ottenuto un guadagno di velocità di 1,20× con meno del 20% di risorse extra.

5. Significato e Rivendicazioni

Il paper sostiene che AgRefactor rappresenti un passo avanti significativo nell'automazione del flusso di design HLS affrontando la natura "laboriosa" della conversione software-to-HLS. La sua importanza risiede in:

Robustezza: Il sistema di memoria auto-evolutivo permette al workflow di adattarsi a specifici modelli di fallimento e programmi non visti, superando i limiti dei sistemi RAG statici e del prompt engineering manuale.
Efficienza: Ibridando gli agenti LLM con strumenti automatizzati, il sistema raggiunge un'alta scalabilità e un basso costo computazionale, rendendolo pratico per repository software reali e su larga scala.
Prestazioni: Il framework non produce solo codice sintetizzabile, ma lo ottimizza attivamente, ottenendo sostanziali aumenti di velocità rispetto agli strumenti di tuning automatico esistenti attraverso trasformazioni strutturali del codice.

Gli autori sottolineano che AgRefactor è completamente automatizzato e open-source, fornendo una soluzione pratica alle sfide di generalizzazione, scalabilità e costo inerenti alle attuali metodologie di refactoring HLS.