arXiv cs.AI· Peizhe Liu, Akanksha Jain, Gerasimos Gerogiannis, Vidushi Dadu, Parthasarathy Ranganathan, Jovan Stojkovic·· 10 小时前AI 评分34
Lodestone:用 AI 智能体自动发现数据中心硬件专用化机会
Lodestone: Automated Semantic Discovery of Datacenter Hardware Specialization
AI 导读
Lodestone 是一个智能体框架,通过推理代码实际计算的内容来自动发现硬件专用化机会。它从执行轨迹中提取热点控制流区域,由智能体描述语义、合并相同计算为计算家族并验证正确性,最终提出 ISA 扩展、近核单元或独立加速器等硬件方案。在 6 类共 20 个数据中心工作负载上,模拟并 RTL 实现的 30 个计算家族平均加速 12.6%,最高达 80.2%。
正文 · AI 翻译
摘要:硬件专用化可以提升数据中心效率。然而,识别值得投入专用硬件的计算却十分困难。现有方法会分析热点函数、指令模式或数据中心税等开销,但它们可能遗漏那些聚合成本分散在应用和库中的细粒度计算,尤其是当不同的代码片段掩盖了相同的底层计算时。我们观察到,看似无关的代码区域常常执行相同的计算,从而创造出需要语义推理的专用化机会。智能体 AI 的兴起使自动化这一过程成为可能。然而,传统 AI 智能体无法高效、可靠地分析大规模数据中心软件。为把握这一机会,我们提出 Lodestone,一个智能体框架,它通过推理所执行代码计算的内容来自动发现硬件专用化机会。首先,Lodestone 从跨工作负载的执行轨迹中提取热点控制流区域,并将它们组织成紧凑的分析包,使大型工作负载对智能体而言变得可处理。其次,智能体描述每个区域计算的内容,将执行相同计算的区域合并为计算族,并在循环中检查其语义正确性。第三,为验证所发现的族,Lodestone 在记录的执行上,用一组参考输入和输出运行族中的每一段代码。最后,对于选定的族,Lodestone 提出硬件方案,例如 ISA 扩展、近核单元或分离式加速器,并由人类专家决定哪些方案进一步开发。我们在六个数据中心工作负载类别的 20 个工作负载上评估 Lodestone。我们在周期精确模拟器中模拟了 30 个发现的族,并用 RTL 实现它们。这些优化使工作负载平均加速 12.6%,最高加速 80.2%。
| 主题: | 硬件架构(cs.AR);人工智能(cs.AI) |
| 引用为: | arXiv:2611.23663 [cs.AR] |
| (或 arXiv:2611.23663v1 [cs.AR] 用于此版本) | |
| https://doi.org/10.48550/arXiv.2611.23663 由 DataCite 颁发的 arXiv DOI(待注册) |
提交历史
来自:Jovan Stojkovic [查看电子邮件]
[v1]
2026年11月18日星期三 00:39:06 UTC(413 KB)
来源:arXiv cs.AI · arxiv.org