Resumo Técnico: AgRefactor: Fluxo de Trabalho Agêntico Autoevolutivo para Compatibilidade e Desempenho de HLS

1. Declaração do Problema

A Síntese de Alto Nível (HLS) visa simplificar a transição de conceitos de design para o silício, elevando a abstração do nível de transferência de registradores (RTL) para designs baseados em C/C++. No entanto, um gargalo significativo permanece: converter repositórios de software do mundo real em código HLS sintetizável. Esta fase de refatoração preparatória é laboriosa, exigindo frequentemente que especialistas de domínio dediquem dias para produzir um programa inicial compatível com HLS devido ao suporte de linguagem restritivo e à lacuna entre as práticas de programação de software e hardware.

As abordagens de refatoração existentes, automatizadas ou baseadas em Large Language Models (LLMs), enfrentam três desafios primários:

• Generalização: Ferramentas baseadas em regras frequentemente falham em estruturas de dados complexas (ex: contêineres STL, ponteiros aninhados) e bibliotecas externas. Abordagens puramente baseadas em LLM têm dificuldade com programas longos onde padrões inválidos abrangem múltiplos locais ou ao lidar com implementações não padronizadas ausentes dos dados de treinamento.
• Escalabilidade: Fluxos de trabalho puramente de LLM incorrem em altos custos computacionais e exibem alta variância nos outputs devido à natureza intrinsecamente aleatória dos LLMs.
• Custo: Ciclos de feedback de erro iterativos em métodos baseados em LLM são computacionalmente caros em comparação com ferramentas automatizadas.

2. Metodologia

Os autores propõem o AgRefactor, um fluxo de trabalho multi-agente baseado em LLM projetado para refatorar software do mundo real em programas HLS sintetizáveis e de alto desempenho. O sistema é totalmente automatizado e de código aberto, construído sobre o framework AG2.

A. Visão Geral do Framework

O pipeline opera através das seguintes etapas:

1. Geração de Testes: Antes da refatoração, um Gerador de Testes cria testes e suposições de interface (ex: tamanhos de array, assinaturas de funções) para servirem como restrições de alto nível.
2. Diagnóstico e Planejamento:
   • Identificadores: Seis agentes específicos por categoria executam em paralelo para detectar construtos não sintetizáveis (ex: memória dinâmica, recursão, chamadas de sistema, aritmética de ponteiros).
   • Organizador de Itens: Mescla e deduplica os achados dos Identificadores.
   • Planejador: Gera um plano de refatoração abrangente, potencializado por memória estratégica e factual.
3. Refatoração: Um Trabalhador de Refatoração aplica o plano.
4. Validação e Correção: O output passa por síntese e simulação. Se ocorrerem erros, um par Analisador-Corretor atualiza iterativamente o código ou o testbench até o sucesso ou até atingir um limite de tentativas.
5. Otimização: Uma vez produzido o código sintetizável, um agente de otimização melhora iterativamente o desempenho do hardware usando um ambiente CLI com acesso a ferramentas EDA (Vitis HLS, LightningSim) e ferramentas de transformação de código fonte-para-fonte.

B. Memória Agêntica Autoevolutiva

Para abordar a generalização, o AgRefactor incorpora um sistema de memória especializado que acumula e recupera conhecimento através das tarefas.

• Estrutura de Conhecimento: Cada entrada de memória é uma tupla $(p_i, I_i, s_i, c_i)$, representando o programa inicial, construtos incompatíveis identificados, a estratégia de refatoração e uma crítica generalizada.
• Mecanismo de Recuperação: Uma métrica de distância especializada combina embeddings de programas brutos ($e_c$) e embeddings de itens identificados ($e_i$) para recuperar planos e críticas passadas relevantes. Isso permite que o sistema se adapte aos modos de falha e sucesso específicos do modelo, em vez de depender de templates RAG criados manualmente.
• Evolução: À medida que o sistema processa tarefas diversas, ele acumula conhecimento factual e estratégico, melhorando a robustez em programas não vistos.

C. Integração de Ferramentas para Escalabilidade e Custo

Para mitigar o alto custo e a escalabilidade limitada dos LLMs, o AgRefactor integra o HeteroRefactor, uma ferramenta de refatoração automatizada de código aberto de última geração.

• Fluxo de Trabalho Híbrido: O sistema emprega uma estratégia gananciosa, tentando primeiro a refatoração automatizada via HeteroRefactor. Se bem-sucedida, o processo termina imediatamente.
• Especialista em Ferramentas: Se a ferramenta falhar, um pipeline de "Especialista em Ferramentas" é acionado. Os agentes de LLM realizam reescritas leves (ex: remoção de headers problemáticos) para tornar o código "compatível com o HeteroRefactor", delegando a maior parte da transformação de volta para a ferramenta eficiente. Isso equilibra a flexibilidade impulsionada por LLM com a eficiência baseada em ferramentas.

D. Agente de Otimização de Desempenho

Além de garantir a sintetizabilidade, um agente de otimização melhora iterativamente o desempenho do hardware.

• Hierarquia: O agente segue uma hierarquia rigorosa de três fases: (1) reescritas estruturais, (2) análise de relatório de escalonamento para resolver violações de caminho crítico, e (3) ajuste fino de pragmas.
• Memória de Trabalho: O agente utiliza uma memória de trabalho baseada em árvore para rastrear versões de código sintetizado e estratégias de otimização, evitando a degradação de contexto e loops improdutivos durante execuções de várias horas.

3. Principais Contribuições

1. Fluxo de Trabalho AgRefactor: Um fluxo de trabalho agêntico totalmente automatizado capaz de refatorar software do mundo real em código HLS sintetizável e de alto desempenho. Ele aborda distintamente a refatoração estrutural, que impacta significativamente o desempenho do hardware, em vez de focar apenas em correção ou inserção de pragmas.
2. Sistema de Memória Autoevolutiva: Um sistema de memória agêntica especializado que acumula e recupera continuamente conhecimentos tanto fatuais quanto estratégicos. Isso aumenta a robustez do LLM base na refatoração de HLS com intervenção humana mínima.
3. Integração de Ferramenta Híbrida: A integração de ferramentas de refatoração automatizadas (HeteroRefactor) no framework agêntico cria um pipeline híbrido. Isso reduz significativamente os custos computacionais e melhora a escalabilidade em comparação com abordagens puramente baseadas em LLM.

4. Resultados Experimentais

Os autores avaliaram o AgRefactor em 11 benchmarks desafiadores do mundo real (até 1.266 linhas de código), que são 5 a 10 vezes mais longos que casos de trabalhos anteriores.

• Desempenho de Refatoração: O AgRefactor superou ou igualou a ferramenta automatizada de estado da arte (SoTA) (HeteroRefactor) e um forte baseline baseado em LLM (estilo HLSRewriter) em 9 de 11 benchmarks.
  • Em benchmarks como encode_one_block e idct_generic, o Especialista em Ferramentas reescreveu o código com sucesso para permitir que o HeteroRefactor gerasse versões sintetizáveis.
  • Em benchmarks mais simples, o mecanismo de memória melhorou as taxas de sucesso para quase 100%.
• Estudos de Ablação:
  • Memória: Adicionar a aumentação de memória melhorou a taxa de sucesso de refatoração em ambos os modelos GPT-5-mini e GPT-5. Para o GPT-5-mini, melhorou o desempenho em 10/11 benchmarks.
  • Ferramentas: O Especialista em Ferramentas melhorou significativamente as taxas de sucesso em casos complexos onde o HeteroRefactor sozinho falhou (ex: encode_one_block, argon2_fill_segment).
• Desempenho de Otimização:
  • O agente de otimização alcançou um aceleração de média geométrica de 6,51× sobre a ferramenta de ajuste de pragma SoTA (AutoDSE) dentro de um orçamento de 2 horas.
  • As melhorias advieram de transformações estruturais (ex: substituir ordenações $O(n^2)$ por radix sorts, reestruturar pilhas de DFS) inacessíveis a métodos de apenas pragmas.
  • Comparado a designs de código aberto otimizados, o AgRefactor alcançou um aceleração de 1,20× com menos de 20% de recursos extras.

5. Significância e Alegações

O artigo afirma que o AgRefactor representa um passo significativo no avanço da automação do fluxo de design HLS ao abordar a natureza "laboriosa" da conversão de software para HLS. Sua significância reside em:

• Robustez: O sistema de memória autoevolutivo permite que o fluxo de trabalho se adapte a modos de falha específicos e programas não vistos, superando as limitações de sistemas RAG estáticos e engenharia de prompt manual.
• Eficiência: Ao hibridizar agentes de LLM com ferramentas automatizadas, o sistema alcança alta escalabilidade e baixo custo computacional, tornando-o viável para repositórios de software reais e de grande escala.
• Desempenho: O framework não apenas produz código sintetizável, mas também o otimiza ativamente, alcançando acelerações substanciais sobre ferramentas de ajuste automatizado existentes através de transformações estruturais de código.

Os autores enfatizam que o AgRefactor é totalmente automatizado e de código aberto, fornecendo uma solução prática para os desafios de generalização, escalabilidade e custo inerentes às metodologias atuais de refatoração de HLS.