AgenticDSE：面向 Chiplet 加速器的多智能体设计空间探索与多阶段贝叶斯优化框架

AgenticDSE 面向用于 LLM 推理的 chiplet 加速器设计空间探索（DSE），试图弥补黑箱 Bayesian Optimization（BO）缺乏领域知识的问题。其主要贡献是通过三个 LLM 智能体协作，将设计分析、空间细化与分阶段优化结合起来。基于摘要分析，未取得论文全文。 核心机制：框架包含 exploration orchestrator、architecture analyst 和 optimization engineer 三类智能体，分别围绕探索编排、架构分析与优化开展协作；摘要明确提出分析驱动的设计空间细化，以及使用集成代理建模的分阶段设计探索。智能体间的信息传递、空间细化规则、阶段切换条件、代理模型构成与候选设计选择方式尚未验证。 结果：作者报告，在探索次数相同的条件下，相较其所称的当前最先进 DSE 方案，AgenticDSE 到真实 Pareto 前沿的平均距离最多降低 36.9%，所探索 Pareto 前沿的多样性提高 66%。这些结果对应 chiplet 设计的多目标探索，并非 LLM 推理准确率或 EEG 解码性能；具体优化目标、测试设计空间、对照方法、多样性指标定义、真实 Pareto 前沿的获取方式及统计信息尚未验证。相同探索次数也不能直接说明相同总计算成本，仍需核对 LLM 调用与设计评估开销。 复现重点是领域知识如何进入优化过程，以及多智能体协作、设计空间细化、分阶段探索和集成代理建模各自的贡献；相关实验协议、消融、代码与运行条件尚未验证。本文主要研究对象是芯粒加速器架构优化，材料未建立与 EEG/BCI 的具体机制对应，因此不将其解释为 BCI 算法创新，也不提出 EEG 迁移实验。已有 EEG 相关工作尚未检索确认。