LACE: Large Language Model Aided Multi-Agent Framework for Agile RISC-V Instruction Extension
LACE is een door LLM ondersteund multi-agent framework dat de vertaling van natuurlijke taal RISC-V instructie-extensie intenties naar geverifieerde RTL-code en compiler-agnostische controles automatiseert, wat de generatie nauwkeurigheid aanzienlijk verbetert en integratiewerkzaamheden over diverse cores heen vermindert.
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 de wereld van computerchips voor als een enorme, bruisende stad waar elk gebouw een kleine processor is en de "instructies" de wetten zijn die de gebouwen vertellen hoe ze moeten bewegen, rekenen en met elkaar moeten communicen. Decennialang werden deze wetten in steen gebeiteld door een kleine groep architecten, waardoor het moeilijk was om nieuwe, gespecialiseerde taken te bouwen. Maar toen kwam RISC-V, een nieuw soort stadsplanning dat iedereen toestaat om hun eigen aangepaste wetten aan het regelboek toe te voegen. Dit is alsof je elke huiseigenaar een gereedschapskist geeft om een geheime glijbaan of een raketwerper in hun achtertuin te bouken. Er is echter een addertje onder het gras: elk huis in deze stad is net iets anders gebouwd. Een glijbaan die in het ene huis perfect werkt, kan in het volgende huis instorten omdat de leidingen of bedrading anders zijn. Het uitzoeken hoe je deze aangepaste functies voor elk huis afzonderlijk bouwt zonder voor elk huis een team van deskundige ingenieurs in te huren, is een traag, rommelig en frustrerend puzzelwerk geweest.
Maak kennis met LACE, een nieuwe digitale assistent die dit hoofdpijnprobleem oplost. Denk aan LACE als een super-slimme, multinationale bouwploeg aangedreven door kunstmatige intelligentie. In plaats van een menselijke ingenieur die naar blauwdrukken staart en probeert te raden waar hij een draad moet doorknippen, luistert LACE naar een eenvoudige beschrijving zoals "Ik wil een glijbaan die naar links draait" en bepaalt precies hoe hij deze binnen elk speciftiek huis moet bouwen. Het gokt niet alleen maar; het gebruikt een team van gespecialiseerde AI-agenten. Eén agent vertaalt je idee naar een ruwe schets, een andere vindt de exacte plek in de blauwdrukken van het huis waar de verandering moet plaatsvinden, en een derde controleert het werk om er zeker van te zijn dat het huis geen brand krijgt. Het papier laat zien dat dit team deze aangepaste functies in ongeveer 73 van de 100 pogingen bij de eerste poging succesvol kan bouwen, een enorme sprong vergeleken met het bijna nul-succespercentage van het simpelweg vragen aan één enkele AI om het alleen te doen.
Het Probleem: Het bouwen van aangepaste glijbanen in verschillende huizen
In de wereld van computerchips, specifiek de open-source RISC-V familie, willen ingenieurs vaak "Instruction Set Extensions" (ISAX) toevoegen. Je kunt dit zien als aangepaste instructies die de chip super snel maken bij specifieke taken, zoals het decoderen van video of het versleutelen van gegevens. Het is alsof je een turboknop aan een auto toevoegt. Het probleem is dat hoewel het idee van de turboknop simpel is, de daadwerkelijke installatie ervan een nachtmerrie is. Elke RISC-V chip is gebouwd met een licht verschillende interne structuur (microarchitectuur). Wat in de ene chip werkt, kan in een andere kapotgaan.
Traditioneel had je, als je een aangepaste instructie wilde toevoegen, een menselijke expert nodig die handmatig de code voor die specifieke chip moest bekijken, de juiste draden moest vinden en deze moest herschrijven. Dit is traag, duur en foutgevoelig. Als je het chipontwerp zelfs maar een klein beetje verandert, kan je aangepaste instructie stoppen met werken en moet je opnieuw beginnen. Bestaande geautomatiseerde tools probeerden te helpen, maar vereisten vaak dat de gebruiker te veel wist over de hardware of faalden wanneer ze geconfronteerd werden met een chip die ze nog niet eerder hadden gezien.
De Oplossing: LACE, de AI-bouwploeg
Het artikel introduceert LACE (Large Language Model Aided Multi-Agent Framework for Agile RISC-V Instruction Extension). In plaats van te vertroukken op één grote AI die alles doet, gebruikt LACE een team van kleinere AI-agenten die samenwerken, vergelijkbaar met een bouwploeg met een voorman, een blauwdruklezer en een veiligheidsinspecteur.
Zo werkt het team:
- De Vertaler (Agent 1): Je vertelt het systeem wat je wilt in gewone mensentaal, zoals "Draai de bits in dit getal naar links." De Vertaler zet dit om in een lijst met hoogwaardige "operaties", zoals "Lees het getal," "Verschuif het," en "Schrijf het terug." Het maakt zich nog geen zorgen over de specifieke chip; het begrijpt alleen het idee.
- De Taakplanner (Agent 2): Deze agent kijkt naar de specifieke chip die je gebruikt. Hij weet dat sommige chips als een eenbaansweg zijn (simpel) terwijl andere als complexe snelwegen (gepipelined) zijn. Hij neemt het hoogwaardige idee en breekt het af in specifieke taken, zoals "Voeg een nieuw bord toe aan het verkeerslicht" of "Verander de timing van het stopsein."
- De Bibliothecaris (Agent 3 & 4): Dit is het "Retrieval-Augmented Generation" (RAG)-gedeelte. De code van de chip is een enorme bibliotheek met miljoenen regels. De Bibliothecaris leest niet het hele boek; hij gebruikt een slim zoekmechanisme om de exacte paar pagina's te vinden waar de verandering moet plaatsvinden. Hij bouwt een kaart van de code zodat het team precies weet waar ze moeten graven.
- De Bouwer (Agent 5): Deze agent schrijft de eigenlijke code (HDL om de wijzigingen door te voeren. Het is als de arbeider die daadwerkelijk de draad doorknipt en de verbinding soldeert.
- De Inspecteur (Agent 6): Voordat de klus geklaard is, controleert de Inspecteur het werk. Hij voert tests uit om te control je of de nieuwe functie werkt en, cruciaal, of het niet iets anders heeft gebroken. Als hij een fout vindt, vertelt hij de Bouwer precies wat er misging, en de Bouwer probeert het opnieuw. Deze lus gaat door totdat de code perfect is.
Wat ze vonden: Een grote sprong voorwaarts
De onderzoekers testten LACE op vijf verschillende aangepaste instructies (zoals een bit-rotatietool, een geheugenlader en een sinus-cosinus calculator) over vier verschillende typen RISC-V chips. Deze chips varieerden van eenvoudige, niet-gepipelined ontwerpen tot complexe, meerfasige pipelines.
De resultaten waren opmerkelijk. Wanneer ze een standaard AI (een enkele agent) probeerden de taak te laten uitvoeren, faalde deze bijna altijd; de code werd in minder dan 12% van de gevallen correct voor complexe chips. Maar met het LACE-team dat samenwerkte, steeg het succespercentage naar een gemiddelde van 72,8%. In sommige gevallen, zoals de eenvoudige bit-rotatie taak, kreeg LACE het 100% van de keren goed.
Het artikel keek ook naar de kosten van het toevoegen van deze functies. Ze simuleerden de chips met TSMC 28nm technologie. Ze ontdekten dat het toevoegen van deze aangepaste instructies de grootte van de chip (oppervlakte) met ongeveer 10% vergrootte en de snelheid (frequentie) in de meeste gevallen met minder dan 10% vertraagde. Voor complexere taken waren de kosten hoger, maar het team merkte op dat de prestaties van LACE vergelijkbaar waren met die van een menselijke expert die bestaande tools zoals SCAIE-V gebruikt.
Waarom dit ertoe doet
LACE suggereert dat we bewegen naar een toekomst waarin het toevoegen van aangepaste functies aan computerchips even eenvoudig is als het beschrijven ervan in het Engels. Het overbrugt de kloof tussen de hoogwaardige ideeën van softwareontwikkelaars en de laagwaardige realiteit van hardware-ingenieurs. Door een team van AI-agenten te gebruiken die kunnen zoeken, plannen, bouwen en hun eigen werk controleren, vermindert LACE de noodzaak voor handmatige, foutgevoelige codering.
Het artikel merkt voorzichtig op dat dit een simulatie- en syntheseonderzoek is, en nog geen fysieke chip die in een fabriek is gebouwd. Ze erkennen ook dat het volledig automatiseren van het "verificatie"-gedeelte (controleren of de chip veilig is) nog steeds enige menselijke inspanning vereist om de testtools op te zetten. De resultaten laten echter zien dat deze multi-agent benadering een krachtige stap voorwaarts is, waardoor het mogelijk wordt om aangepaste instructies aan nieuwe, ongeziene chipontwerpen aan te passen met veel minder inspanning dan voorheen. Het verandert een proces dat vroeger dagen van deskundig werk kostte in iets dat in een fractie van de tijd kan gebeuren, wat de deur opent voor meer gespecialiseerde en efficiënte computerchips in de toekomst.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.