Resumo Técnico: A3D: Fluxo de IA Agêntica para Design Autônomo de Aceleradores

Declaração do Problema

Projetar aceleradores de hardware para aplicações científicas complexas permanece um processo altamente intensivo em mão de obra, exigindo expertise profunda em análise de carga de trabalho, microarquitetura e ferramentas de Automação de Design Eletrônico (EDA). Embora a Síntese de Alto Nível (HLS) tenha melhorado a abstração, o fluxo de trabalho ponta a ponta — desde a identificação de gargalos de desempenho em grandes bases de código C/C++/CUDA até a geração de RTL otimizado — ainda exige intervenção manual significativa. Frameworks existentes orientados por IA geralmente abordam tarefas isoladas a jusante (por exemplo, exploração do espaço de design ou refatoração de código), mas falham em automatizar as complexidades a montante de analisar aplicações em escala total, extrair kernels embutidos em hierarquias de classes profundas e gerenciar dependências de dados. Além disso, Grandes Modelos de Linguagem (LLMs) isolados são propensos a alucinações e carecem de exposição à documentação proprietária de ferramentas EDA, tornando difícil a geração autônoma e confiável de hardware.

Metodologia: O Fluxo Agêntico A3D

O A3D introduz um fluxo de IA agêntica ponta a ponta que automatiza todo o pipeline de design de aceleradores. Ele aceita uma base de código de aplicação C/C++/CUDA, uma carga de trabalho representativa e instruções em linguagem natural, gerando diversos designs de aceleradores de hardware. O sistema decompõe o fluxo de trabalho em três fases principais, orquestradas por um Agente Interfacer de nível superior e executadas por agentes especializados apoiados por uma infraestrutura compartilhada.

1. Fase de Análise

• Analista de Carga de Trabalho: Utiliza busca semântica para entender a funcionalidade da aplicação e as características da carga de trabalho.
• Perfilador de Desempenho: Executa a carga de trabalho usando ferramentas como gprof para identificar gargalos de tempo de execução.
• Analista de Gargalos: Analisa funções críticas para determinar dependências de estruturas de dados. Utiliza uma ferramenta personalizada CodeQL para realizar análise estática, gerando uma pegada completa de E/S (variáveis, tipos e direções de fluxo de dados) para guiar a extração subsequente.

2. Fase de Preparação

Esta fase refatora os gargalos identificados para serem compatíveis com HLS.

• Engenheiro de Snapshot: Instrumenta o código para capturar estados de estruturas de dados de entrada/saída durante a execução.
• Desenvolvedor de Harness: Cria harnesses de teste isolados para validar o kernel extraído contra os snapshots capturados, garantindo correção numérica.
• Preparador HLS: Orquestra a refatoração de construções não suportadas (por exemplo, memória dinâmica, ponteiros de múltiplos níveis, contêineres STL). Isso é dividido em subtarefas tratadas por agentes especialistas:
  • Poda de Estrutura de Dados: Remove campos não utilizados.
  • Refatoração de Interface de Memória: Converte ponteiros dinâmicos em arrays estáticos usando ferramentas baseadas em AST (staticMem).
  • Conversão de Tipos: Substitui tipos padrão por ac_types compatíveis com HLS via consultas RAG agênticas à documentação de ferramentas.
  • Substituição de Funções Matemáticas: Troca funções matemáticas padrão por equivalentes otimizados para HLS.
  • Rotulagem de Loops: Adiciona identificadores para diretivas de otimização.

3. Fase de Síntese

• Explorador de Numéricas: Otimiza iterativamente formatos de números e larguras de bits (por exemplo, convertendo double para ac_fixed) para minimizar o uso de recursos enquanto mantém a correção funcional.
• Sintetizador: Invoca a ferramenta comercial Catapult HLS. Analisa logs de síntese e relatórios de erro, usando RAG Agêntico para consultar documentação e refinar iterativamente o código até que a síntese tenha sucesso.
• Enumerador de Espaço de Design (DSE): Gera um espaço de design combinatório analisando uma especificação YAML de diretivas de otimização (desenrolamento de loops, pipeline, partição de arrays). Utiliza uma ferramenta determinística (genDSE) para criar arquivos Tcl e uma ferramenta de execução paralela (runDSE) para sintetizar todos os pontos de design, extraindo o conjunto Pareto-ótimo de compensações latência-área.

Princípios Arquitetônicos Chave

Para mitigar as limitações dos LLMs, o A3D emprega quatro componentes críticos de infraestrutura:

1. Decomposição de Tarefas: Tarefas complexas são particionadas entre agentes especialistas dedicados, em vez de um modelo monolítico.
2. Aumento por Ferramentas: Agentes usam ferramentas determinísticas e personalizadas (transformações AST, CodeQL) para mudanças mecâneas de código, reservando LLMs para raciocínio e planejamento.
3. Verificação Adversarial: Um loop Especialista-Verificador garante robustez. Um agente verificador dedicado avalia criticamente a saída do especialista, fornecendo feedback para refinamento iterativo até que os padrões de qualidade sejam atendidos.
4. RAG Agêntico: Um pipeline de recuperação em dois estágios (embedding + reclassificação) permite que os agentes realizem busca semântica na base de código da aplicação e na documentação proprietária de EDA (por exemplo, docs do Catapult) para resolver lacunas de contexto.

Contribuições Chave

• Primeira Automação Ponta a Ponta: O A3D é o primeiro framework a automatizar o pipeline completo, desde a análise de aplicação (incluindo perfilamento de carga de trabalho e identificação de gargalos em bases de código complexas) até a exploração do espaço de design, preenchendo a lacuna deixada por trabalhos anteriores que abordavam apenas estágios a jusante.
• Manipulação de Kernels Científicos Complexos: O sistema processa com sucesso kernels de aplicações científicas em grande escala (LAMMPS, QMCPACK) que apresentam hierarquias de classes profundas, memória dinâmica e dependências de dados irregulares, que são tipicamente intratáveis para ferramentas existentes.
• CUDA para Acelerador: O A3D demonstra a capacidade de extrair e refatorar kernels CUDA (especificamente k_lj_fast do LAMMPS) para C++ compatível com HLS para design de acelerador personalizado, uma capacidade não demonstrada anteriormente.
• Validação Arquitetônica: Através de estudos de ablação, o artigo valida que a combinação de decomposição de tarefas, aumento por ferramentas e loops de verificação é necessária para alcançar automação de alta confiabilidade (taxa de sucesso de 96,7% na preparação), enquanto configurações mais simples falham significativamente.

Resultados

• Benchmarks: O A3D foi avaliado em 8 kernels do LAMMPS (dinâmica molecular) e QMCPACK (química quântica).
• Sucesso do Pipeline: O sistema processou autonomamente todos os kernels com zero intervenção humana. Sintetizou com sucesso 1.036 dos 3.216 pontos de design em todos os kernels, gerando 92 designs Pareto-ótimos.
• Taxas de Sucesso de Síntese: As taxas variaram conforme a complexidade do kernel, indo de 5,6% (para kernels altamente irregulares como PairLJCut::Compute()) a 90,7% (para LRHandlerBase::Evaluate()).
• Desempenho vs. Edge GPU: Quando comparado a um NVIDIA Jetson AGX Orin para o kernel PairLJCut, o design de baixa latência gerado pelo A3D alcançou uma vantagem de potência de 3,5x (1,04 W vs. 3,6 W) com energia comparável por execução, apesar de uma latência maior devido a um paralelismo menor.
• Estudo de Ablação:
  • Agente Monolítico (Config A): Taxa de sucesso de 32,5%.
  • Multi-Agente (Config B): Taxa de sucesso de 57,5% (demonstrando o valor da decomposição).
  • Multi-Agente + Ferramentas (Config C): Taxa de sucesso de 75,0% (demonstrando o valor de ferramentas determinísticas).
  • A3D Completo (Config D): Taxa de sucesso de 96,7% (demonstrando a necessidade de loops de verificação).
  • Apenas a arquitetura completa (Config D) alcançou uma probabilidade não nula de exceder uma taxa de sucesso de 90%.

Significado e Alegações

O artigo alega que o A3D representa um passo significativo em direção à automação autônoma de tarefas de engenharia complexas. Argumenta que a automação agêntica confiável não pode ser alcançada apenas por LLMs; ao contrário, requer uma arquitetura sinérgica combinando decomposição especializada, aumento por ferramentas determinísticas e verificação adversarial. Ao gerar com sucesso designs de hardware a partir de aplicações científicas complexas e do mundo real sem intervenção humana, o A3D demonstra o potencial de democratizar a aceleração de hardware, permitindo que especialistas de domínio de aplicação aproveitem aceleradores personalizados sem exigir expertise profunda em design de hardware. O trabalho destaca que, embora os LLMs atuais tenham limitações, fluxos agênticos estruturados podem superar essas barreiras para alcançar confiabilidade de nível de produção.