LLM Agent 自适应推理 RTL 优化 成本控制 电子设计自动化
摘要

大型语言模型(LLM)代理通过迭代编辑、综合及 PPA 分析来优化寄存器传输级(RTL)设计的功耗、性能和面积,但每次调用均产生成本。现有研究未归一化成本且固定推理努力。本文提出 ARES,引入归一化美元成本指标,发现长期记忆构建增益有限,转而提出自适应每调用推理努力策略:仅在低努力进展停滞时升级至深层推理。实验表明,该方法在同等成本下显著降低品质因数,优于固定努力策略及最先进方法。

AI 推荐理由

论文核心提出自适应推理努力策略,动态调整推理深度以优化成本与性能,属推理机制研究。

研究机构
KU Leuven, Leuven, Belgium Nokia Bell Labs, Antwerp, Belgium
论文信息
作者 Stef Cuyckens, Mihaela Jivanescu, Jun Yin, Chao Fang, Marian Verhelst
发布日期 2026-07-30
arXiv ID 2607.27879
相关性评分 9/10 (高度相关)