전통적인 아키텍처 설계 공간 탐색 (Design Space Exploration, DSE)은 매우 비효율적이며, 일반적으로 다양한 최적화 방법을 통해 수만 번의 시뮬레이터 평가를 필요로 합니다. 이러한 비효율성은 기존 방식들이 시뮬레이터를 블랙박스 오라클 (black-box oracle)로 취급하기 때문에 발생합니다. 반면, 인간 설계자들은 물리적 제약 조건, 성능 병목 현상, 데이터 재사용, 그리고 워크로드 구조를 추론함으로써 탐색을 효과적으로 가이드합니다. 이러한 격차를 해소하기 위해, 우리는 범용 대규모 언어 모델 (Large Language Model, LLM) 코딩 에이전트에 의해 구동되는 시뮬레이터 인 더 루프 (simulator-in-the-loop) 방법론인 AgentDSE를 소개합니다. AgentDSE는 모델 미세 조정 (fine-tuning), 사전 계산된 설계 데이터베이스, 또는 도메인 특화 최적화 코드를 요구하지 않고 이러한 아키텍처 추론 루프를 자동화합니다. 심층 신경망 (Deep Neural Network, DNN) 가속기 매핑, 하드웨어/소프트웨어 공동 설계 (hardware/software co-design), 그리고 CPU 캐시 계층 구조 최적화 전반에 걸쳐, AgentDSE는 최대 두 자릿수(two orders of magnitude) 적은 평가 횟수만으로도 경쟁력 있거나 더 나은 설계 품질을 달성합니다. 또한 AgentDSE는 아키텍처 가설, 성능 절벽 (performance cliffs), 암묵적 사전 지식 (implicit priors), 그리고 시뮬레이터 아티팩트 (simulator artifacts)를 드러내는 검사 가능한 추적 (inspectable traces)을 생성하여, 모든 탐색 결정이 최적화 상태에 묻히지 않고 추적 가능하도록 만듭니다.