OneDSE：统一的微处理器指标预测与设计空间探索框架

基于摘要分析。该研究面向现代高性能 CPU 的设计空间探索（DSE），试图解决代价模型预测缓慢、依赖特定微架构或工作负载，以及大规模 CPU 参数空间中搜索缓慢且不准确的问题。OneDSE 将指标预测器与 CPU 参数探索器统一起来，其主要研究对象是微处理器架构设计，而非神经信号建模。 框架包含三项技术。Transformer-based workload-Aware CPU Estimation（TrACE）利用工作负载信息建模：TrACE-p 从参数空间预测性能指标，TrACE-m 从指标空间预测参数。Metric spAce Search opTimizer（MAST）利用 TrACE-m 在指标空间开展搜索。Subsystem-based Multi-Agent Reinforcement-learning based fine-Tuning（SMART）-TrACE 则引入基于子系统的多智能体强化学习微调，以提升预测精度。摘要未提供具体输入表示、训练监督、损失函数、智能体动作或奖励定义，这些机制细节尚未验证。 作者报告，在单工作负载与多工作负载的 IPC（每周期指令数）预测比较中，TrACE-p 相对所称 SOTA 方法分别有 5.71 倍和 28 倍的优势，同时速度快两个数量级；但摘要未明确这些优势倍数对应的误差指标及计算口径。作者报告，MAST 相对所称 SOTA 元启发式方法有 1.19 倍的优势，速度快一个数量级，具体优化目标与搜索预算尚未验证。作者还报告，SMART-TrACE 相比 TrACE 将预测误差降低 10.6%，但误差定义与评估划分尚未验证。 复现与判断价值需要核对 CPU 参数范围、工作负载组成、训练与测试划分、仿真或测量成本、对照基线及硬件运行条件；实验协议、消融及统计信息尚未验证，代码可用性也尚未验证。现有材料未提供与 EEG/BCI 的具体机制对应关系，因此不提出神经信号迁移结论或复现实验建议。