AUTOGATE: Automated Clock Gating via Toggling-Aware LLM-based RTL Rewriting
本文提出了 AUTOGATE，这是一个结合了基于机器学习的波形聚类与 LLM 驱动的 RTL 重写技术的智能体框架，旨在实现大规模工业级代码库中可扩展且感知工作负载的细粒度时钟门控，从而显著降低动态功耗。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一个巨大的、高科技的工厂（一颗计算机芯片），成千上万的小型工人（晶体管）在那里不停地往返奔忙。即使在没有做任何有用工作的时候，他们也在不停地跑动，消耗能量并产生热量。这被称为动态功耗。
为了节省能源，工程师们使用了一种叫做**时钟门控（Clock Gating）**的技术。你可以把它想象成一位聪明的领班，他会对成组的工人说：“如果接下来的一个小时内你们没有任务，那就停下来休息一下。”这节省了大量的能量。
然而，要找到告诉这些工人何时“休息”的最佳时机是非常困难的。这就像是通过观察工厂车间数百万小时的视频，来预测某个特定工人何时会处于闲置状态一样。目前的工具就像是刻板的规则手册；它们只有在工人佩戴着“现在休息”的标牌时，才能识别出他们在休息。如果工人们只是在安静地等待一个尚未正式宣布的任务，这些工具就会错过他们。
最近，科学家们尝试使用 AI（大语言模型） 来阅读代码并寻找这些隐藏的休息时机。但他们遇到了两堵大墙：
- “数据过多”墙： 工厂的视频资料太长了（数百万个周期），AI 无法一次性读完。
- “规模过大”墙： 工厂规模如此巨大且复杂（拥有数千个互连的部门），AI 在试图同时修复整个系统时会迷失方向。
于是，AUTOGATE 应运而生，它是一个全新的系统，扮演着一个多层级的管理团队角色来解决这些问题。以下是它的工作原理，我们使用简单的类比来解释：
1. “总结者”（机器学习 + 大语言模型的协作）
与其强迫 AI 观看长达 100 小时的工厂视频，AUTOGATE 首先使用一种专门的机器学习（ML）工具来观看视频，并生成一份浓缩摘要。
- 类比： 想象一位体育分析师观看了一整个赛季的比赛，然后写出一份简短的报告，上面写着：“球员 X 在球员 Y 得分时，有 40% 的时间坐在长凳上休息。”
- 结果： 这份摘要短小且结构化。它准确地告诉 AI 谁 在闲置以及 何时 闲置，而无需 AI 处理那些令人崩溃的原始数据。随后，AI 利用这份摘要来重写工厂的指令手册（代码），从而正式通知这些工人去休息。
2. “分而治之”策略（多智能体系统）
工厂太大，一个管理者无法处理。因此，AUTOGATE 使用了一个层级式的 AI 智能体团队。
- 类比： 与其让一位 CEO 试图修复一座 1000 层大楼里的每一台机器，不如让 CEO（协调者）将大楼划分为不同的楼层。每一层都有自己的经理（子智能体）来负责修复该层特定的问题。这些经理之间会进行沟通，以确保修复第 5 层的问题不会破坏第 6 层的东西。
- 结果： 这使得该系统能够应对以往 AI 难以处理的超大规模工业级设计。
3. “安全检查员”（形式验证）
在任何更改被永久执行之前，系统都会进行严格的安全检查。
- 类比： 这就像是一位建筑检查员，确保当你在告诉一名工人“停止移动”时，他们不会意外地掉落重物或损坏机器。系统通过数学手段证明新的指令是安全的，不会导致工厂瘫痪。
他们取得了什么成就？
研究人员在从小型、简单电路到大规模、真实世界工业设计（如 NVDLA 和 BlackParrot 芯片）的所有场景下对 AUTOGATE 进行了测试。
- 小型设计： 在较小的项目中，该系统表现得像个超级英雄，平均降低了近 50% 的能耗。
- 大型工业设计： 在极其庞大复杂的芯片上，它依然实现了显著的节能，例如在 NVDLA 上降低了约 19%，在 BlackParrot 上降低了 8%。
- 实际生产环境： 即使是在那些已经高度优化、非常高效的专利芯片上，它仍然找到了提升约 7% 节能空间的方法。
简而言之： AUTOGATE 是一个智能的、基于团队的系统，它利用“总结者”来理解海量数据，并利用“分而治之”的团队来管理庞大的项目。它通过重写计算机芯片的代码，指挥芯片的部分组件在不需要时“睡眠”，从而在不破坏任何功能的前提下，大幅节省了能源。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。