MicroEvo: 지식 기반 LLM 샘플링을 통한 효율적인 마이크로아키텍처 설계 공간 탐색

MicroEvo: Knowledge-Guided LLM Sampling for Efficient Microarchitecture Design Space Exploration

마이크로아키텍처 설계 공간 탐색은 방대한 검색 공간과 비용이 많이 드는 성능, 전력, 면적(PPA) 평가 때문에 설계 의사 결정에 제한된 시뮬레이션 예산을 사용하게 됩니다. 기존 방법들은 마이크로아키텍처의 상호 의존성을 고려하지 않고 반복적인 검색을 통해 학습하지 못하여 불필요한 평가를 수행하고 약한 파레토 수렴 결과를 초래합니다. 본 논문에서는, 다중 목표 마이크로아키텍처 최적화를 위해 기존 LLM(Large Language Model)과 몬테카를로 트리 탐색(MCTS)을 결합한 지식 기반 프레임워크인 MicroEvo를 제안합니다. MicroEvo는 LLM 기반 진화 연산자, 파레토 기여도와 다양성을 균형 있게 고려하는 파레토 인지 트리 정책, 최적화 통찰력을 추출하고 재사용하는 능동적인 지식 축적 메커니즘, 그리고 온라인으로 검색 행동을 조정하는 상태 인식 지시어를 결합합니다. 실험 결과, MicroEvo는 NSGA-II에 비해 최대 36.2% 더 나은 파레토 프론트 품질을 제공하고 10.6배 더 높은 검색 효율성을 달성했으며, 복잡한 산업 규모 코어에도 강력한 확장성을 보여줍니다. 코드 저장소는 다음 주소에서 이용 가능합니다: https://github.com/GEAR-SEU/MicroEvo-ICCAD-26.

Microarchitecture design space exploration suffers from expansive search spaces and expensive PPA evaluation, leaving only a small simulation budget for design decision-making. Existing methods perform blind search without considering microarchitectural dependencies and fail to learn from the iterative search effectively, leading to wasted evaluations and weak Pareto convergence. In this paper, we propose MicroEvo, a knowledge-guided framework that couples off-the-shelf LLMs with Monte Carlo Tree Search (MCTS) for multi-objective microarchitecture optimization. MicroEvo combines LLM-driven evolutionary operators, a Pareto-aware tree policy that balances Pareto contribution and diversity, an active knowledge accumulation mechanism that extracts and reuses optimization insights, and state-aware directives that adapt the search behavior online. Experiments show that MicroEvo improves Pareto-front quality by up to 36.2% over NSGA-II and achieves 10.6x higher search efficiency, and also demonstrates strong scalability to a complex industrial-scale core. The code repository is available at: https://github.com/GEAR-SEU/MicroEvo-ICCAD-26.