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）的模拟评估成本问题，提出 AgentDSE：由通用大语言模型（LLM）编码智能体驱动、将模拟器纳入闭环的探索方法，用架构推理指导搜索，而非仅将模拟器作为黑箱评价工具。 机制与贡献：作者将传统搜索效率不足归因于未充分利用物理约束、性能瓶颈、数据复用及工作负载结构等信息。AgentDSE 尝试自动化利用这些知识的架构推理循环，摘要明确表示其不需要模型微调、预先计算的设计数据库或领域专用优化器代码。其输出还包括可检查的轨迹，用于呈现架构假设、性能突变、隐含先验及模拟器伪影，使搜索决策能够被追溯；具体智能体流程、工具接口及停止条件尚未验证。 结果与边界：作者报告，在 DNN 加速器映射、硬件/软件协同设计及 CPU 缓存层级优化任务中，AgentDSE 取得有竞争力或更好的设计质量，模拟评估次数最多减少两个数量级。摘要未给出各任务的具体基线、设计质量指标、搜索预算及重复实验信息，因此不能将这一最大降幅推广到所有任务，也不能据此判断端到端耗时或总计算成本更低。实验协议、消融及统计信息尚未验证。 相关性：原论文主要面向计算机体系结构优化，不是 EEG 解码或 BCI 算法研究；摘要没有提供神经信号任务上的验证，不应将其搜索效率结果解读为 BCI 性能改善。复现核对重点包括 LLM 配置、模拟器与工作负载、基线预算对齐、失败搜索的计入方式，以及生成轨迹是否准确解释实际性能变化。