LLM-DSE: Searching Accelerator Parameters with LLM Agents
Created by
Haebom
저자
Hanyu Wang, Xinrui Wu, Zijian Ding, Su Zheng, Chengyue Wang, Tony Nowatzki, Yizhou Sun, Jason Cong
개요
고수준 합성(HLS) 도구는 추상화 수준을 높임으로써 도메인 특정 가속기(DSA) 프로그래밍의 어려움을 완화하지만, 하드웨어 지시어 매개변수 최적화는 여전히 상당한 장벽입니다. 기존의 휴리스틱 및 학습 기반 방법은 적응성과 샘플 효율성이 부족합니다. 본 논문에서는 HLS 지시어 최적화를 위해 특별히 설계된 다중 에이전트 프레임워크인 LLM-DSE를 제시합니다. LLM과 설계 공간 탐색(DSE)을 결합한 LLM-DSE는 라우터, 전문가, 중재자, 비평가의 네 가지 에이전트를 조정합니다. 이러한 다중 에이전트 구성 요소는 다양한 도구와 상호 작용하여 최적화 프로세스를 가속화합니다. LLM-DSE는 필수적인 도메인 지식을 활용하여 효율적인 매개변수 조합을 식별하는 동시에 온라인 상호 작용을 통한 언어 학습을 통해 적응성을 유지합니다. HLSyn 데이터 세트에 대한 평가 결과, LLM-DSE는 최첨단 방법보다 2.55배의 성능 향상을 달성하고, 새로운 설계를 발견하는 동시에 실행 시간을 단축합니다. 에이전트 상호 작용의 효과와 필요성을 검증하기 위한 제거 연구도 수행되었습니다. 코드는 https://github.com/Nozidoali/LLM-DSE 에서 공개되었습니다.
시사점, 한계점
•
시사점:
◦
고수준 합성(HLS) 지시어 최적화를 위한 효율적인 다중 에이전트 프레임워크인 LLM-DSE 제시
◦
최첨단 방법 대비 2.55배의 성능 향상 달성
◦
새로운 설계 발견 및 실행 시간 단축
◦
에이전트 상호 작용의 효과와 필요성 검증
◦
오픈소스 코드 공개
•
한계점:
◦
HLSyn 데이터셋에 대한 평가 결과만 제시되어 다른 데이터셋에 대한 일반화 성능은 추가 검증 필요
