高位合成（HLS）のためのエージェント・ファクトリ：汎用コーディングエージェントはハードウェア最適化にどこまで到達できるのか？
arXiv cs.AI / 2026/3/27
📰 ニュースSignals & Early TrendsIdeas & Deep AnalysisModels & Research
要点
- 本論文は、ハードウェア固有のトレーニングを行わない汎用コーディングエージェントが、高位のアルゴリズム仕様からHLSツールチェーンを用いてハードウェア設計を最適化できることを示す実証的研究を提示する。
- 「エージェント・ファクトリ」と呼ぶ2段階パイプラインを導入する。すなわち、設計をサブカーネルに分解し、ILP（整数線形計画法）で有望なグローバル構成を組み立てたうえで、複数のエキスパート・エージェントを起動し、プラグマの組み合わせ（pragma recombination）、ループ融合（loop fusion）、メモリ再構成（memory restructuring）などの関数横断的最適化を探索する。
- HLS-EvalおよびRodinia-HLSからの12個のHLSカーネルを対象に、Claude Code（Opus 4.5/4.6）とAMD Vitis HLSを用いた実験を行い、強いスケーリングを確認した。エージェント数を1から10に増やすと平均で8.27×のスピードアップが得られる。
- 難しいベンチマークでは特に大きな改善が見られ、streamclusterは20×超、kmeansは約10×に達する。さらに、最良の結果は時にILPの上位候補ではなく、非上位ランクの候補から生じる場合もある。
- 著者らは、エージェント集団をスケールさせることがHLS最適化における実用的で効果的なレバーであり、エージェントはドメイン固有のトレーニングなしに既知のハードウェア最適化パターンを再発見できると結論づけている。
広告
