ChatHLS: Towards Systematic Design Automation and Optimization for High-Level Synthesis¶

会议: ACL 2026
arXiv: 2507.00642
代码: 无
领域: LLM 辅助硬件设计
关键词: 高层综合, LLM辅助设计, 多智能体, 指令优化, 自动调试

一句话总结¶

ChatHLS 提出了一个多智能体 HLS 设计框架，通过 HLSTuner（QoR 感知推理优化指令选择）和 HLSFixer（分层反馈增强的调试框架）两个核心组件，结合自进化错误用例扩展机制（VODA），在 HLS-C 生成成功率和硬件性能优化上显著超越基线。

领域现状：高层综合（HLS）通过将 C/C++ 抽象为硬件描述来加速硬件设计。LLM 在代码生成方面的成功激发了将其应用于 HLS 的研究兴趣。

现有痛点：(1) HLS 特定数据稀缺，现有数据集很少暴露可综合性约束、指令选择理由和 QoR 关联；(2) 组合爆炸的指令调优空间使手动优化极其耗时；(3) 通用 LLM 难以识别和修正 HLS 特定的兼容性错误。

核心矛盾：HLS 设计需要同时优化功能正确性和硬件效率，但现有 LLM 缺乏对硬件约束和指令语义的理解。

本文目标：构建自动化的 HLS 设计、优化和调试框架。

切入角度：多智能体协作 + 专业化微调 + 自进化数据增强。

核心 idea：通过 QoR 感知推理让 LLM 理解指令与硬件性能之间的因果关系，通过推理到指令的方法让 LLM 准确诊断 HLS 错误。

包含两大阶段：(1) HLS-C 生成阶段——LLM 生成 HLS-C 代码，HLSTuner 选择并插入指令；(2) HLS-C 调试阶段——HLSFixer 解析工具反馈进行错误诊断和修复，VODA 扩展错误用例库。

HLSTuner (QoR 感知指令优化):
- 功能：自动化 HLS 指令选择、配置和插入
- 核心思路：输入源 HLS-C 和初始 QoR，通过 QoR 感知推理分析指令变化→硬件架构变化→性能变化的因果链。使用 NSGA-II 生成多样化优化设计，由教师模型生成优化 CoT 进行监督训练
- 设计动机：让 LLM 理解指令与 QoR 的关系，而不只是机械地插入指令
HLSFixer (分层反馈调试框架):
- 功能：解决 HLS 特定的编译/综合错误
- 核心思路：将调试解耦为错误识别、诊断和修复。分析 LLM 从 HLS 工具反馈中提取错误信息并生成修复指令，修复 LLM 执行指令。对于超出训练分布的错误，使用 LLM-as-a-Judge 系统多角度评估
- 设计动机：推理到指令的方法比端到端修复更可控和可解释
VODA (自进化数据增强):
- 功能：持续扩展错误用例库
- 核心思路：在 ChatHLS 工作流中自动捕捉新遇到的错误用例，用于进一步强化 HLSFixer 的调试能力
- 设计动机：解决 HLS 错误的长尾分布问题

HLSTuner 使用 NSGA-II + 教师模型生成 CoT 的监督微调。HLSFixer 使用推理到指令的解耦微调。