본 논문은 최근 발전된 사고연쇄(Chain-of-Thought, CoT) 기반의 대규모 언어 모델(LLM)을 고급 합성(High-Level Synthesis, HLS) 설계 공간 탐색 및 최적화에 적용하는 것을 연구합니다. HLS 과정에서 엔지니어들은 성능과 자원 제약 조건 간의 균형을 맞추기 위해 수동으로 프ragma/지시어를 정의하는데, 본 논문에서는 LLM 기반의 최적화 에이전트 프레임워크를 제안합니다. 이 프레임워크는 코드를 자동으로 재구성하고, 프ragma를 삽입하며, HLS 도구의 피드백과 정수 선형 계획법(ILP) 솔버를 이용하여 최적의 설계 지점을 식별합니다. OpenAI o3-mini와 DeepSeek-R1과 같은 모델을 사용하여 성공률, 효율성, 설계 품질(면적/지연 시간) 지표를 기반으로 기존 LLM과의 비교 실험을 수행하고, DeepSeek-R1과 같은 강력한 오픈소스 추론 모델이 생성하는 CoT를 최초로 보여줍니다.
