dse-loop

DSE Loop：自主设计空间探索

🔁 不要用 /loop / CronCreate 包装此技能。 它会在内部循环，直到达成目标或超时。与会给出判定结果的审查/审计技能不同，它的停止条件是可由机器检查的客观指标（Type-A），因此在同一模型中自行终止是安全的——不应包装它的原因是调度器重复执行，而非判定边界。参见 shared-references/external-cadence.md。

自主探索设计空间：运行 → 分析 → 选择下一组参数 → 重复，直到达成目标或超时。适用于计算机体系结构和 EDA 问题。

上下文：$ARGUMENTS

安全规则 — 请先阅读

绝不要执行以下操作：

• 执行任何 sudo 操作
• 执行 rm -rf、rm -r 或任何递归删除操作
• 删除本次会话中由你创建之外的任何文件
• 未先读取现有源文件就覆盖它们
• 执行 git push、git reset --hard 或任何破坏性 git 操作
• 终止你未启动的进程

如果某个步骤需要执行以上任何操作，请停止并向用户报告。

常量（可通过 $ARGUMENTS 覆盖）

常量	默认值	描述
TIMEOUT	2h	总墙钟时间预算。达到后停止探索。
MAX_ITERATIONS	50	评估设计点数量的硬上限。
PATIENCE	10	如果连续这么多次迭代都没有改进，则提前停止。
OBJECTIVE	minimize	对目标指标执行 minimize 或 maximize。

内联覆盖：/dse-loop "task desc — timeout: 4h, max_iterations: 100, patience: 15"

典型用例

问题	程序	参数	目标
微体系结构 DSE	gem5 仿真	缓存大小、相联度、流水线宽度、ROB 大小、分支预测器	最大化 IPC 或最小化面积×延迟
综合调优	yosys/DC 脚本	优化流程、目标频率、努力程度	在满足时序约束的前提下最小化面积
RTL 参数化	verilator 仿真	数据宽度、FIFO 深度、流水级数、缓冲区大小	以最小面积满足吞吐量目标
编译器标志	gcc/llvm 构建 + 基准测试	-O 级别、循环展开因子、向量化、调度	最小化运行时间或代码大小
布局布线	openroad/innovus	利用率、宽高比、布线层配置	最小化线长 / 时序
形式化验证	abc/sby	界限深度、引擎、每项属性的超时时间	在时间预算内最大化覆盖率
存储子系统	cacti / ramulator	Bank 数量、行缓冲策略、调度	优化带宽/能耗

工作流

阶段 0：解析任务并完成设置

1. 解析 $ARGUMENTS，提取：

   • 程序：要运行的内容（命令、脚本或 Makefile 目标）
   • 参数空间：要调整的参数及其范围/选项（可能不完整——见步骤 2）
   • 目标指标：要优化的指标（以及如何从输出中提取）
   • 约束：不得违反的硬性限制（例如，时序必须收敛）
   • 超时时间：墙钟时间预算
   • 成功标准：结果达到什么程度时可以提前停止？

2. 推断缺失的参数范围——如果用户提供了参数名称，但未提供范围/选项，探索前必须先推断：

   a. 阅读源代码——在代码库中搜索参数名称：

   • 查找 argparse/click 定义、配置文件、Makefile 变量、模块参数、#define、parameter（SystemVerilog）、localparam 等。
   • 提取默认值、类型以及暗示有效取值的注释

   b. 运用领域知识设置合理范围：

   参数类型	推断策略
   缓存/内存大小	2 的幂，通常为 1KB–16MB
   相联度	2 的幂：1、2、4、8、16
   流水线宽度/发射宽度	小整数：1、2、4、8
   缓冲区/队列/FIFO 深度	2 的幂：4、8、16、32、64
   时钟周期/频率	根据工艺节点；尝试默认值的 ±50%
   有界深度（BMC/形式化验证）	几何序列：5、10、20、50、100
   超时值	几何序列：10s、30s、60s、120s、300s
   布尔/枚举标志	枚举源代码中找到的所有选项
   连续值（学习率、阈值）	对数尺度扫描：取 5 个点，覆盖默认值上下 2 个数量级
   整数计数（线程、核心）	线性取值：从 1 到硬件最大值

   c. 从保守范围开始——每个参数先尝试 3–5 个值。如果最优结果位于边界，再扩展范围。

   d. 记录推断出的范围——将推断出的参数空间写入 dse_results/inferred_params.md，供用户审阅：

   # 推断的参数空间
   
   | 参数 | 来源 | 默认值 | 推断范围 | 推理依据 |
   |-----------|--------|---------|---------------|-----------|
   | CACHE_SIZE | config.py:42 | 32768 | [8192, 16384, 32768, 65536, 131072] | 2 的幂，默认值的 ±2 倍 |
   | ASSOC | config.py:43 | 4 | [1, 2, 4, 8] | 标准相联度 |
   | BMC_DEPTH | run_bmc.py:15 | 10 | [5, 10, 20, 50] | 几何序列，常见的 BMC 深度 |
   

   e. 扩展边界——搜索过程中，如果最优结果位于某个范围的最小值或最大值，则自动沿该方向扩展一步（并记录扩展情况）。

3. 阅读项目，了解：

   • 如何运行程序
   • 结果输出位置（标准输出、日志文件、报告）
   • 如何从输出中解析目标指标
   • 当前/基准配置（如有）

4. 创建工作目录：在项目根目录下创建 dse_results/

   • dse_results/dse_log.csv — 每个设计点占一行
   • dse_results/DSE_REPORT.md — 最终报告
   • dse_results/DSE_STATE.json — 用于恢复的状态
   • dse_results/inferred_params.md — 推断出的参数空间（若未提供范围）
   • dse_results/configs/ — 每次运行的配置文件
   • dse_results/outputs/ — 每次运行的原始输出

5. 编写参数提取脚本（dse_results/parse_result.py 或类似文件），该脚本接收某次运行的输出，并以数字形式返回目标指标。先在基准运行上测试。

6. 运行基准（迭代 0）：使用默认/当前参数运行程序。记录基准指标。这就是需要超越的结果。

阶段 1：初步探索

目标：快速摸排参数空间，了解哪些参数最重要。

策略：使用拉丁超立方采样或对关键参数进行结构化扫描。

1. 选取 5–10 个覆盖参数范围的多样化设计点
2. 运行这些设计点（若彼此独立，可并行运行；可通过后台进程运行，也可按顺序运行）
3. 将所有结果记录到 dse_log.csv 中：

   iteration,param1,param2,...,metric,constraint_met,timestamp,notes
   0,default,default,...,baseline_val,yes,2026-03-13T10:00:00,baseline
   1,val1a,val2a,...,result1,yes,2026-03-13T10:05:00,initial sweep
   ...
   

4. 分析：哪些参数对目标的影响最大？
5. 将搜索范围缩小到最敏感的参数

阶段 2：定向搜索

目标：通过有依据的选择，逐步逼近最优值。

策略：灵活调整 — 选择适合问题的方法：

• 参数较少（≤3）：在阶段 1 得出的最佳区域附近进行细粒度网格搜索
• 参数较多（>3）：使用坐标下降法 — 每次优化一个参数，其他参数保持当前最佳值
• 二元／分类参数：枚举有希望的组合
• 连续参数：在最佳邻近点之间进行二分搜索或黄金分割搜索
• 多目标：跟踪 Pareto 前沿，沿前沿进行探索

每次迭代：

1. 根据当前结果选择下一个设计点：

   • 查看趋势：哪个方向能改善指标？
   • 避免重复运行已评估过的配置
   • 平衡探索（未测试区域）与利用（当前最佳点附近）

2. 修改参数：编辑配置文件、命令行参数或源代码中的常量

3. 运行程序：执行程序并捕获输出

4. 解析结果：提取目标指标并检查约束

5. 记录到 dse_log.csv：追加新行

6. 检查停止条件：

   • 是否已超时？→ 停止
   • 是否已达到最大迭代次数？→ 停止
   • 是否已耗尽耐心值（连续 N 次迭代没有改进）？→ 停止
   • 是否已达到成功标准（指标是否“足够好”）？→ 停止
   • 是否检测到约束违反模式？→ 调整搜索边界

7. 更新 DSE_STATE.json：

   {
     "iteration": 15,
     "status": "in_progress",
     "best_metric": 1.23,
     "best_params": {"cache_size": 32768, "assoc": 4, "pipeline_width": 2},
     "total_iterations": 15,
     "start_time": "2026-03-13T10:00:00",
     "timeout": "2h",
     "patience_counter": 3
   }
   

8. 决定下一步 → 返回步骤 1

阶段 3：优化（如有时间）

如果搜索已收敛且仍有剩余时间：

1. 局部扰动：从最佳点出发，尝试对每个参数进行 ±1 步的调整
2. 敏感度分析：哪些参数可以放宽而不影响指标？
3. 约束边界：如果某项约束即将成为限制条件，探索接近可行域边界的点

阶段 4：报告

编写 dse_results/DSE_REPORT.md：

# Design Space Exploration Report

**Task**: [description]
**Date**: [start] → [end]
**Total iterations**: N
**Wall-clock time**: X hours Y minutes

## Objective
- **Metric**: [what was optimized]
- **Direction**: minimize / maximize
- **Baseline**: [value]
- **Best found**: [value] ([improvement]% better than baseline)

## Best Configuration
| Parameter | Baseline | Best |
|-----------|----------|------|
| param1    | default  | best_val |
| param2    | default  | best_val |
| ...       | ...      | ... |

## Search Trajectory
| Iteration | param1 | param2 | ... | Metric | Notes |
|-----------|--------|--------|-----|--------|-------|
| 0 (baseline) | ... | ... | ... | ... | baseline |
| 1 | ... | ... | ... | ... | initial sweep |
| ... | ... | ... | ... | ... | ... |
| N (best) | ... | ... | ... | ... | ★ best |

## Parameter Sensitivity
- **param1**: [high/medium/low impact] — [brief explanation]
- **param2**: [high/medium/low impact] — [brief explanation]

## Pareto Frontier (if multi-objective)
[Table or description of non-dominated points]

## Stopping Reason
[timeout / max_iterations / patience / success_criteria_met]

## Recommendations
- [actionable insights from the exploration]
- [which parameters matter most]
- [suggested follow-up explorations]

如果 matplotlib 可用，还要生成汇总图：

• 收敛曲线（指标与迭代次数）
• 参数敏感度柱状图
• Pareto 前沿散点图（如果是多目标）

状态恢复

如果上下文窗口在运行过程中被压缩，循环会根据 DSE_STATE.json + dse_log.csv 恢复：

1. 读取 DSE_STATE.json，获取当前迭代次数、最佳参数和耐心计数器
2. 读取 dse_log.csv，获取完整历史记录
3. 从下一次迭代继续

关键规则

• 自主工作——不要在每次迭代时都征求用户许可
• 每次运行都必须记录——包括运行失败、违反约束和出错的情况。日志是事实依据。
• 绝不重复运行完全相同的配置——每次运行前检查 dse_log.csv
• 遵守超时限制——开始新一轮迭代前检查已用时间。如果下一次运行很可能超时，就停止并报告。
• 以编程方式解析指标——编写解析脚本，不要凭目测查看日志
• 保留原始输出——将每次运行的完整输出保存到 dse_results/outputs/iter_N/
• 违反约束不算改进——违反约束的设计点绝不能算作“最佳”，无论指标如何
• 如果运行崩溃，记录错误，跳过该点，然后继续下一个
• 如果相同的崩溃在不同配置下重复发生 3 次，那么问题很可能出在运行框架代码本身——丢弃并根据规范重新干净地实现运行／解析脚本（同伴改为另一个补丁；只删除脚本，绝不删除 dse_log.csv／dse_results/；参见 shared-references/external-cadence.md § 让失败的尝试重新开始，而不只是打补丁）。恢复扫描前，重新验证指标的可比性：使用新解析器重新解析 dse_results/outputs/iter_N/ 中某个已完成迭代的原始输出，并确认解析结果与 dse_log.csv 中对应的行一致；如果不一致，要么修复解析器，要么重新解析并标记所有受影响的行——绝不能在同一日志中混用两种解析语义。如果干净重写后仍以相同方式崩溃，就停止并报告——此时需要质疑的是规范或环境，而这正是需要人工介入的地方

调用示例

# Minimal — just name the parameters, let the agent figure out ranges
/dse-loop "Run gem5 mcf benchmark. Tune: L1D_SIZE, L2_SIZE, ROB_ENTRIES. Objective: maximize IPC. Timeout: 3h"

# Partial — some ranges given, some not
/dse-loop "Run make synth. Tune: CLOCK_PERIOD [5ns, 4ns, 3ns, 2ns], FLATTEN, ABC_SCRIPT. Objective: minimize area at timing closure. Timeout: 1h"

# Fully specified — explicit ranges for everything
/dse-loop "Simulate processor with FIFO_DEPTH [4,8,16,32], ISSUE_WIDTH [1,2,4], PREFETCH [on,off]. Run: make sim. Objective: max throughput/area. Timeout: 2h"

# Real-world: PDAG-SFA formal verification tuning
/dse-loop "Run python run_bmc.py. Tune: BMC_DEPTH, ENGINE, TIMEOUT_PER_PROP. Objective: maximize properties proved. Timeout: 2h"