LLM Evolutionary Algorithm Microarchitecture Design Space Exploration
摘要

微架构设计空间探索面临庞大的搜索空间和昂贵的PPA评估挑战,导致设计决策可用的仿真预算有限。现有方法往往盲目搜索,忽视微架构依赖关系且无法有效从迭代中学习,造成评估浪费和帕累托收敛性弱。本文提出MicroEvo,一个将现成LLM与蒙特卡洛树搜索(MCTS)耦合的知识引导框架,用于多目标微架构优化。该框架结合LLM驱动的进化算子、平衡帕累托贡献与多样性的帕累托感知树策略、主动知识积累机制以及在线适应搜索行为的状态感知指令。实验表明,MicroEvo在帕累托前沿质量上较NSGA-II提升高达36.2%,搜索效率提高10.6倍,并展现出对复杂工业级核心的强大可扩展性。

AI 推荐理由

论文提出MicroEvo框架,核心利用LLM驱动进化算子进行架构搜索,直接对应自我进化与自适应优化机制。

研究机构
东南大学 NVIDIA公司 南方科技大学 北京邮电大学 中国科学技术大学 中国科学院计算技术研究所 北京航空航天大学 北京大学
论文信息
作者 Jia Xiong, Runkai Li, Chenxu Niu, Guangyuan Gao, Changwen Xing et al.
发布日期 2026-08-06
arXiv ID 2608.06183
相关性评分 9/10 (高度相关)