🤖 AI

AgentDSE: Reasoning-Augmented Architectural Design Space Exploration

AgentDSE introduceert een redeneringsversterkte, simulator-in-de-loop-methodologie gedreven door een algemene LLM-coderingsagent die het aantal vereiste evaluaties voor architecturale design space exploration aanzienlijk vermindert door mensachtige redenering te emuleren om een concurrerende ontwerpkwaliteit te bereiken terwijl volledig traceerbare zoekbeslissingen worden geproduceerd.

Oorspronkelijke auteurs: Chenyu Wang, Jiahe Caroline Shi, David Kong, Duane S. Boning, Zishen Wan, Yilun Du, Vijay Janapa Reddi

Gepubliceerd 2026-06-23

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Chenyu Wang, Jiahe Caroline Shi, David Kong, Duane S. Boning, Zishen Wan, Yilun Du, Vijay Janapa Reddi

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je op zoek bent naar het perfecte recept voor een cake, maar je hebt een zeer strikte regel: je mag de cake slechts 100 keer bakken. Als je hem 10.000 keer bakt, raakt je meel op en ben je al je geld kwijt.

Dit is het probleem waar computer engineers voor staan bij het ontwerpen van nieuwe computerchips. Ze moeten miljoenen verschillende ontwerpcombinaties testen (zoals het veranderen van de grootte van de keuken, het type oven of de mengsnelheid) om de beste te vinden. Traditioneel gebruiken ze "black box"-methoden: ze gooien gewoon pijltjes naar een bord, bakken een cake, kijken of hij goed is, en proberen het dan opnieuw. Dit is traag, verspillend, en niemand weet echt waarom een specif kind recept werkte totdat ze het duizenden keren hebben gebakken.

AgentDSE is een nieuwe tool die het spel verandert. In plaats van alleen maar pijltjes te gooien, gebruikt het een slimme, redenerende AI-kok (een Large Language Model) om het recept te bedenken voordat er gebakken wordt.

Hier is hoe het werkt, met eenvoudige analogieën:

1. De "Black Box" versus de "Redenerende Kok"

De oude manier (Black Box): Stel je een kok voor die geen idee heeft hoe koken werkt. Hij gokt maar wat: "Misschien moet ik meer zout toevoegen?" Hij bakt de cake, proeft hem, en als hij zout is, probeert hij het de volgende keer met minder zout. Hij begrijpt niet waarom het misging; hij weet alleen wat het resultaat is. Dit kost duizenden pogingen.
De AgentDSE-manier (Redenerende Kok): Deze AI-kok leest daadwerkelijk het kookboek en begrijpt natuurkunde. Hij zegt: "Wacht even, als ik de oven te klein maak, zal de hitte niet goed circuleren en de cake zal aanbranden. Laten we eerst een grotere oven proberen." Hij gebruikt logica en redenering om slechte ideeën te elimineren voordat hij zelfs maar de oven aanzet.

2. Het "Digitaal Laboratoriumdagboek"

Het artikel belicht een uniek kenmerk: Traceerbaarheid.

Bij de oude manier houdt de computer-optimizer zijn "gedachten" verborgen binnen een black box. Je krijgt een resultaat, maar je weet niet hoe het daar gekomen is.
AgentDSE houdt een digitaal laboratoriumdagboek bij (bestanden zoals notes.md en history.jsonl). Elke keer dat de AI een gok doet, schrijft hij op waarom hij die gok deed.
- Voorbeeld: "Ik probeerde een kleine cachegeheugen omdat ik dacht dat de data klein was. De test toonde aan dat het te traag was, dus ik realiseerde me dat de data eigenlijk heel groot was. De volgende keer zal ik een grotere cache proberen."
- Dit maakt het proces inspecteerbaar. Mensen kunnen het dagboek lezen om de logica van de AI te zien, fouten te ontdekken of te begrijpen waarom een ontwerp mislukte.

3. De Resultaten: Meer doen met minder

De onderzoekers hebben deze "Redenerende Kok" getest in drie verschillende "keukens" (computerontwerpproblemen):

DNN Accelerator Mapping: Het ontwerpen van chips voor AI.
Hardware/Software Co-design: Het ontwerpen van chips en de software die erop draait tegelijkertijd.
CPU Cache Optimization: Het ontwerpen van de geheugenopslag binnenin een computerprocessor.

De bevindingen waren indrukwekkend:

Snelheid: AgentDSE vond ontwerpen die net zo goed (of zelfs beter) waren dan de oude methoden, maar het gebruikte 10 tot 100 keer minder tests.
De "Anonimiserings-test": Om te bewijzen dat de AI daadwerkelijk nadenkt en niet alleen maar getallen raadt, hebben de onderzoekers de namen van de onderdelen verborgen (door bijvoorbeeld een "cache" simpelweg "Item A" te noemen). Zelfs zonder de namen was de AI nog steeds erg goed in het raden. Maar toen ze de echte namen en context gaven, werd de AI 2,4 keer sneller. Dit bewijst dat het begrijpen van de betekenis van de onderdelen de AI helpt om beter te redeneren.

4. Waarom dit ertoe doet

Het artikel beweert dat AgentDSE de kloof overbrugt tussen menselijke intuïtie en computersnelheid.

Mensen zijn goed in redeneren: "Als ik X doe, dan zal Y gebeuren vanwege de natuurkunde."
Computers zijn goed in testen: "Laten we 1.000 variaties proberen."
AgentDSE combineert deze: Het gebruikt een AI om te redeneren als een menselijke expert, wat betekent dat het niet 10.000 variaties hoeft te testen. Het test er 100, leert van de resultaten en schrijft de redenering op voor de volgende stap.

Samenvatting

Beschouw AgentDSE als een slimme leerling die niet alleen maar blindelings bevelen opvolgt. Het kijkt naar de blauwdruk, denkt na over de natuurkunde, stelt een hypothese op ("Ik wed dat dit gaat werken"), test het, schrijft op wat er gebeurde, en gebruikt die les om de volgende gok te doen.

Het resultaat? Het vindt de beste computerchipontwerpen met een fractie van de tijd en energie die traditionele methoden vereisen, en het laat een duidelijk spoor achter zodat mensen precies kunnen begrijpen hoe het tot die resultaten is gekomen.

Technische Samenvatting: AgentDSE

Probleemstelling

Traditionele Architecturale Design Space Exploration (DSE) wordt gekenmerkt door extreme inefficiëntie, waarbij vaak tienduizenden simulator-evaluaties nodig zijn om uitgestrekte, discrete en hoogst discontinue design spaces te navigeren (bijv. meer dan $10^{20}$ configuraties voor DNN-accelerator mapping). Huidige methoden—inclusief Random Search (RS), Genetische Algoritmen (GA), Bayesiaanse Optimalisatie (BO), Reinforcement Learning (RL) en differentiële DSE—behandelen de simulator als een "black-box oracle". Ze bevraagden de simulator voor scalaire feedback (bijv. Energy-Delay Product of Instructions Per Cycle) zonder gebruik te maken van semantische informatie over bottlenecks, datahergebruik, hiërarchie of workload-structuur. Bovendien bieden deze black-box benaderingen geen inzicht in waarom een specifieke configuratie werd geselecteerd, wat het moeilijk maakt om simulator-artefacten te debuggen of beslissingen van de zoekopdracht te valideren. Hoewel recent werk de verkenning van Large Language Models (LLMs) voor hardwareontwerp heeft onderzocht, blijven veel bestaande benaderingen gebonden aan doel-specifieke workflows, vooraf berekende databases of aangepaste multi-agent systemen, en missen ze een herbruikbaar mechanisme om LLM-redenering te vertalen naar de selectie van simulator-aanroepen.

Methodologie: AgentDSE

De auteurs stellen AgentDSE voor, een simulator-in-the-loop methodologie gedreven door een algemene LLM coding agent. In plaats van DSE puur als numerieke bemonstering te behandelen, frameert AgentDSE het als een iteratief, geschiedenisbewust redeneerproces.

Kernworkflow

Workspace Abstractie: Het DSE-probleem wordt ingekapseld in een gestructureerde, bewerkbare workspace die bestaat uit:
- Task Brief (README.md): Doelstelling, domeincontext en budget.
- Action Space (action_space.md): Kandidatenvelden, geldige bereiken en restricties.
- Workload/Hardware Bestanden: Doelspecificaties.
- Candidate File (candidate.yaml): Het ontwerp dat geëvalueerd moet worden.
- Evaluation Harness: Scripts om kandidaten te valideren, de simulator aan te roepen en metrieken terug te geven.
- Search State: Persistente logs (notes.md, history.jsonl, best.json) die observaties en het beste gevonden ontwerp bijhouden.
De Optimalisatie-loop: De agent opereert via een "hypothese-test-verfijn" loop:
- Redenering: De agent leest de workspace, vormt hypothesen over welke design dimensies verkend moeten worden, en filtert kandidaten tegen de restricties.
- Actie: De agent schrijft een kandidaat naar candidate.yaml en voert de evaluation harness uit.
- Observatie: De agent ontvangt gemeten metrieken, werkt de zoekstatus bij en legt observaties en rationales vast in notes.md.
- Verfijning: Op basis van de feedback verfijnt de agent zijn hypothesen voor de volgende iteratie.
Domein-agnosticisme: Het framework vereist geen model fine-tuning, geen vooraf berekende design databases en geen domeinspecifieke optimizer code. Het vertrouwt uitsluitend op de natuurlijke coding loop van de agent (lezen, bewerken, uitvoeren) toegepast op de simulator-interface.

Belangrijkste Bijdragen

Een Agentic DSE Paradigma: Formaliseert DSE als een domein-agnostische agent-simulator workflow waarbij architecturale redenering een iteratieve loop is, gedreven door simulator-feedback. Dezelfde workspace abstractie wordt succesvol hergebruikt over drie verschillende simulators (MAESTRO, Timeloop/Accelergy, en ChampSim) zonder fine-tuning.
Cross-Domain Sample Efficiëntie: Demonstreert dat AgentDSE een competitieve of superieure design kwaliteit bereikt met tot twee ordes van grootte minder simulator-evaluaties vergeleken met traditionele baselines (RS, GA) en differentiële methoden (DOSA).
Auditeerbare Optimalisatie-traces: In tegen tegenover black-box optimizers produceert AgentDSE inspecteerbare traces (notes.md, history.jsonl) die architecturale hypothesen, performance cliffs, impliciete priors en simulator-artefacten blootleggen, waardoor elke beslissing van de zoekopdracht traceerbaar wordt.

Experimentele Resultaten

De auteurs hebben AgentDSE geëvalueerd over drie domeinen:

1. Hardware/Software Co-Design (Timeloop/Accelergy)

Vergelijking: Head-to-head tegen DOSA, een representatieve differentiële DSE engine.
Setup: AgentDSE startte vanuit een "cold start" (geen vooraf berekende dataset) met een strikt budget van 80 ground-truth Timeloop calls per laag. DOSA maakte gebruik van een vooraf berekende dataset van 72.701 samples en voerde gradiëntafdaling uit op een analytische predictor.
Per-Laag: AgentDSE kwam overeen met de EDP van DOSA met een geometrisch gemiddelde ratio van 0.99× (9 winst, 13 gelijkspel, 2 verlies) met ~37× minder echte simulator calls.
Netwerk-niveau: AgentDSE bereikte een 1.15× verbetering in netwerk EDP over de gereproduceerde best van DOSA, met gebruik van ~165× minder echte Timeloop calls.
Ablatie: Een "Anonymized Agent" (gestript van fysieke semantiek) presteerde nog steeds beter dan DOSA in sample efficiëntie (71 calls vs. ~1.125), maar de "Full-Context Agent" (met fysieke redenering) verminderde de calls verder naar 29, wat aantoont dat architecturale redenering zorgt voor een multiplicatieve versnelling boven de inherente combinatorische optimalisatiecapaciteit van de LLM.

2. DNN Accelerator Mapping (MAESTRO)

Vergelijking: Tegen RS, GA, en PPO.
Resultaten: AgentDSE bereikte de beste model-level EDP voor LLaMA-3.1-8B en OpenVLA workloads met slechts 100 simulator calls per shape. Dit vertegenwoordigt een 200–500× reductie in het simulator budget vergeleken met baselines (20.000–50.000 calls).

3. CPU Cache-Hierarchy Optimisatie (ChampSim)

Vergelijking: Tegen RS, GA, en BO.
Resultaten: AgentDSE mat de uiteindelijke IPC van baselines (die 1.000 evaluaties gebruikten) terwijl het zichzelf voltooide na ~50 calls.
Efficiëntie: AgentDSE bereikte de kwaliteit van 1.000-call baselines in 20–50 calls (20–50× versnelling) en toonde een 7–15× sample efficiëntievoordeel in convergentie-gematchte vergelijkingen.

Betekenis en Claims

Het artikel claimt dat AgentDSE de kloof tussen menselijke architecturale intuïtie en geautomatiseerde zoekopdrachten overbrugt door redenering direct in de optimalisatie-loop in te bedden. De primaire betekenis ligt in:

Vervanging van Black-Box Sampling: Het verschuift het paradigma van het behandelen van simulators als opake oracles naar het gebruiken van ze als gegronde feedbackmechanismen voor een agent die redeneert over restricties, bottlenecks en workload-structuren.
Traceerbaarheid: Het transformeert DSE van een "black box" naar een transparant proces waarbij beslissingen, hypothesen en fouten van de zoekopdracht expliciet worden vastgelegd en inspecteerbaar zijn.
Generaliseerbaarheid: Het demonstreert dat een enkele, ongewijzigde coding agent workflow effectief diverse architecturale problemen (DNN mapping, co-design, CPU hierarchy) kan oplossen zonder de noodzaak voor domeinspecifieke training of vooraf berekende datasets.

De auteurs merken op dat hoewel de aanpak afhankelijk is van high-capacity LLMs (wat API-kosten introduceert), de reductie in simulator-evaluaties (die vaak computationeel duur zijn) dit compenseert. Zij positioneren dit als een vroege empirische casus voor algemene-doel coding agents als praktische DSE engines, met toekomstig werk gericht op het verkennen van "zero-shot" ontdekking in niet-intuïtieve design spaces.