处理器微架构要在性能、功耗和面积之间反复取舍，但一次PPA评估就可能需要昂贵仿真。东南大学、国家EDA技术创新中心、英伟达、复旦、中科院计算所和北大等团队提出MicroEvo，在论文设置下把搜索效率做到NSGA-II的10.6倍。
团队报告，MicroEvo的帕累托前沿质量最高提升36.2%。指标描述的是固定仿真预算下找到的候选设计集合，不是芯片性能提升36.2%，也没有替代后端实现与流片验证。
大模型负责提出变化，搜索树负责约束方向
传统进化算法常对参数做通用变异，不理解流水线宽度、缓存和执行单元之间的依赖，有限预算会浪费在低价值组合上。MicroEvo把现成大模型与蒙特卡洛树搜索结合：树策略按帕累托贡献和多样性选节点，大模型根据当前设计提出扩展。
论文图4：候选微架构作为树节点，经选择、扩展、PPA评估和回传循环更新。
大模型不会直接输出最终芯片，而是生成参数变化建议。新设计仍要进入PPA评估，结果再回写搜索树。这个分工把语言模型的知识用于缩小探索范围，同时保留可计算的多目标选择标准。
论文图5：LLM初始化与扩展候选，Pareto-UCT选节点，评估结果持续更新搜索状态。
搜索过程会记住有效经验
框架从迭代结果中提取“哪些参数组合改善了哪项指标”，形成主动知识库，后续提示会复用这些经验。状态感知指令还会根据当前收敛和多样性调整探索方式，避免始终使用同一套变异策略。
实验包含低预算设置和更复杂的工业规模核心。论文显示，在相同评估次数下，MicroEvo找到的CPI—功耗、CPI—面积边界更靠外。
论文图8：不同搜索方法在CPI—功耗与CPI—面积空间中的候选边界对比。
仿真领先离真实芯片还有多道门
结果相对NSGA-II得出，效率倍数受搜索空间、预算、评估器和基线配置影响。大模型调用成本、提示稳定性以及换一套核心参数后的迁移效果，也会影响工程收益。
代码已经公开，便于复现实验。能否进入真实设计流程，还要看RTL约束、物理实现、验证覆盖和设计人员审查；论文没有证明自动搜索结果可以直接流片。
