MicroEvo: Knowledge-Guided LLM Sampling for Efficient Microarchitecture Design Space Exploration
MicroEvo 是一个知识引导的框架，结合 LLM 与蒙特卡洛树搜索（MCTS）用于多目标微架构优化。实验显示，与 NSGA-II 相比，Pareto 前沿质量提升最高 36.2%，搜索效率提升 10.6 倍，并展示了在工业级复杂核心上的可扩展性。代码仓库位于 https://github.com/GEAR-SEU/MicroEvo-ICCAD-26。
Development
- First ReportMicroEvo: Knowledge-Guided LLM Sampling for Efficient Microarchitecture Design Space ExplorationarXiv cs.AI
- Current Assessment该研究展示了 LLM 在芯片设计自动化（EDA）中的潜力，可能推动 LLM 在硬件设计空间探索中的实际应用。如果 MicroEvo 的方法被工业界采用，可能加速芯片设计流程，降低设计成本。可验证的下一信号是：是否有 EDA 公司或芯片设计团队在真实项目中采用类似方法，或相关工具链的集成。Agent Pulse · analysis
微架构设计空间探索面临搜索空间庞大和 PPA 评估昂贵的问题，通常只有有限的仿真预算。现有方法进行盲目搜索，未考虑微架构依赖，且未能有效从迭代搜索中学习，导致评估浪费和 Pareto 收敛弱。MicroEvo 提出知识引导框架，将现成的 LLM 与 MCTS 结合，用于多目标微架构优化。它结合了 LLM 驱动的进化算子、平衡 Pareto 贡献与多样性的树策略、主动知识积累机制以及状态感知指令，在线调整搜索行为。实验表明，MicroEvo 在 Pareto 前沿质量上比 NSGA-II 提升最高 36.2%，搜索效率提高 10.6 倍，并展示了在复杂工业级核心上的强可扩展性。代码已开源。
MicroEvo 的核心创新在于将 LLM 的领域知识注入 MCTS 的搜索过程，通过进化算子生成候选设计，利用 Pareto 感知的树策略选择节点，并通过主动知识积累从历史评估中提取可复用的优化见解。这种知识引导的采样方式可能减少无效评估，提高搜索效率。可验证的下一信号是：在更多微架构设计任务上复现其效率提升，或与其他 LLM 引导的搜索方法（如 LLM 结合贝叶斯优化）进行对比。
该研究展示了 LLM 在芯片设计自动化（EDA）中的潜力，可能推动 LLM 在硬件设计空间探索中的实际应用。如果 MicroEvo 的方法被工业界采用，可能加速芯片设计流程，降低设计成本。可验证的下一信号是：是否有 EDA 公司或芯片设计团队在真实项目中采用类似方法，或相关工具链的集成。
对于芯片设计公司，MicroEvo 可能缩短设计周期，降低 PPA 评估成本，从而加快产品上市。对于 EDA 工具提供商，这可能成为差异化功能，吸引客户。可验证的下一信号是：是否有公司宣布采用类似技术，或相关专利的申请。
未来，MicroEvo 可能扩展到更复杂的微架构设计，并与其他 LLM 代理结合，实现更自动化的设计优化。也可能与强化学习或生成式模型结合，进一步提升搜索效率。可验证的下一信号是：论文的后续版本或相关研究是否报告在更大规模设计上的结果，或是否出现基于 LLM 的商用设计空间探索工具。