AgentDSE：推理增强的计算机体系结构设计空间探索

基于摘要分析。本文研究计算机体系结构设计空间探索（DSE）的仿真评估效率问题，提出由通用大语言模型（LLM）编码智能体驱动、以仿真器为闭环反馈的 AgentDSE。其主要研究对象是硬件架构及软硬件配置搜索，而非神经信号解码或 BCI 算法。 核心机制是让智能体围绕物理约束、性能瓶颈、数据复用与工作负载结构进行架构推理，再利用仿真反馈引导后续探索，以区别于将仿真器仅作为黑箱评价器的传统优化方式。摘要称，该方法不要求模型微调、预先计算的设计数据库或领域专用优化器代码；但智能体的具体工具接口、搜索策略、约束处理及停止条件尚未验证。 作者报告，在深度神经网络（DNN）加速器映射、软硬件协同设计及 CPU 缓存层次优化任务中，AgentDSE 以最多减少两个数量级的评估次数，取得具有竞争力或更好的设计质量。该结果对应不同架构搜索任务，摘要未提供各任务的基线、目标指标、预算及重复实验信息，不能据此判断端到端运行时间或总成本是否同等降低。作者还报告，方法输出可检查的推理轨迹，呈现架构假设、性能陡变、隐含先验和仿真器伪影；轨迹可检查不等于推理正确，仍需与仿真结果核对。 平台推测（待验证）：若面向 EEG/BCI 部署，可能复用的是硬件配置搜索闭环，而不是信号表征方法。该假设依赖可执行的解码工作负载、硬件设计空间及可信的延迟、能耗和资源仿真反馈；需改造任务约束与评价接口。小规模检验可固定一个 EEG 解码模型及数据划分，在相同可行配置空间和仿真预算下比较 AgentDSE 与黑箱搜索，并核验部署性能。低信噪比、跨被试或通道变化可能改变模型工作负载与精度约束，小数据也可能使约束估计不稳定，硬件搜索本身不解决这些问题。已有 EEG 相关工作尚未检索确认；全文实验协议、消融及统计信息尚未验证。