探索工作流¶

硬件探索是一项可复现实验，而不是一系列临时 calculator edit。工作流把 question、workload、architecture variable、mapping、evidence fidelity、simulation 与 decision criterion 分开，使结论保持可解释和可修订。

定义决策¶

从真正可能改变 hardware blueprint 的决策开始：

增加 matrix throughput 是否有价值，还是 memory/communication 已经成为限制？
稀缺 area 应投入 SRAM、HBM interface、NoC bandwidth 还是 compute tile？
哪种 scale-up topology 能支撑 tensor/pipeline parallel workload？
面对 training、prefill 与 decode 时，最佳 architecture 如何变化？

声明 objective、hard constraint、uncertainty tolerance、evaluation budget，以及不在本次范围内的决策。“让它更快”不是 experiment specification。

定义 Workload Suite¶

Workload suite 包含代表性的 model family、shape、sequence length、batch regime、training/inference mode、precision、parallel strategy 与 scenario weight。它还应包含 stress case 和预期未来 workload，而不只是一个方便 benchmark。

Workload model 独立于 candidate architecture 推导精确 operation、data movement、communication、dependency 与 lifetime fact。这是所有 candidate 共享的受控 baseline。

生成 Candidate Blueprint¶

为 compute、memory、interconnect、system organization 与 physical envelope 定义 fixed fact、design variable、conditional variable 和 constraint。记录 generator revision，以及每个 variable range 为什么可信。

Candidate generation 可以组合 enumeration、parameterized template、domain rule、equality-based mapping alternative、Bayesian optimization 或专家提案。所有 candidate 在评估前都转换为普通版本化 blueprint。

构造合法 Mapping¶

对每个存活 blueprint，把 workload 映射为 implementation、shard、placement、queue、communication route、synchronization 与 buffer。本阶段先回答 feasibility，再回答 performance：

target 是否支持每个 required primitive 与 datatype？
tensor/layout/alignment constraint 是否满足？
在可能 overlap 下，buffer 是否能放入每级 memory？
topology、queue 与 synchronization constraint 是否合法？

同一个 portable workload 在 GPU、LPU 或实验 architecture 上可以产生不同 concrete plan。非法 candidate 得到带 source lineage 的 diagnostic，而不是虚构 performance number。

选择 Evidence 与 Fidelity¶

选择足以解决当前决策的最低成本 evidence：

Fidelity	典型用途
Exact bounds	capacity、operation/byte volume、dependency depth
Analytical model	大范围早期 pruning 与 sensitivity
Performance database/surrogate	已知 kernel、transfer 与 collective
Network simulator	topology、routing、congestion、collective alternative
Hardware simulator	engine、memory-system、pipeline、power 或 cycle detail
Measurement	在 prototype 或现有 device 上做 calibration/final validation

每个 fallback、interpolation、extrapolation 与 uncertainty bound 都被记录。High fidelity 应投入 decision boundary 附近，而不是平均用于整个空间。

仿真 Mapped Plan¶

Simulation 消费 verified architecture-bound command/resource plan。它从 dependency、queue、synchronization 与 resource capacity 计算 readiness，而不是使用 predicted timestamp。Trace 记录 utilization、contention、memory high-water mark、critical path、queue delay 与 metric provenance。

Task cost 与 network behavior 可以来自不同 provider，但 simulator 通过同一个 resource model 组合它们，避免各 subsystem 使用互不兼容的 overlap 或 scheduling semantic。

比较与解释¶

Result analysis 执行：

feasibility filtering 与 constraint diagnostic；
按声明 objective 做 Pareto comparison；
按 resource 与 workload phase 归因 bottleneck；
对 architecture variable 做 sensitivity/what-if analysis；
跨 workload scenario 与 uncertainty 做 robustness analysis；
与旧 blueprint/evidence revision 做 regression comparison。

有用的 recommendation 不只说明 winning candidate，还要说明结论在什么条件下会改变。

验证与校准¶

把 predicted event/counter 与 compatible simulator、prototype、GPU/LPU 或 silicon observation 对比。在拟合新 model 前，先把 residual 关联到 workload task、concrete command、implementation 与 resource。

Calibration 创建新的 immutable evidence revision，并记录 training set、validity domain 与 validation error。历史 experiment 继续可复现；采用新 revision 时显式 reevaluate，而不是修改旧 report。

发布 Experiment Bundle¶

完整 experiment bundle 包含：

question and hypothesis
workload-suite digest
candidate blueprint definitions and generator revision
mapping/concrete-plan digests
evidence and simulator revisions
objectives, constraints, uncertainty policy, seed, and budget
results, traces, diagnostics, and rejected candidates
recommendation and claim boundary

这个 bundle 才是持久 Blueprinting product。Target backend 存在时，可以把 optional runtime configuration 或 program artifact 附加到被选 blueprint。

示例推进过程¶

一次 LPU exploration 可以先对 matrix-engine count、SRAM capacity、HBM bandwidth 与 scale-up link 做 analytical sweep。Capacity/roofline bound 删除大部分 candidate；schedule-aware simulation 随后比较 buffer reuse 与 compute/communication overlap；network simulator 解析 finalist 的 collective behavior；prototype observation 校准 efficiency curve；修订后的 Pareto set 再决定哪种 architecture 进入下一阶段。

具体算法可以演进；experiment identity、semantic conservation 与 evidence lineage 是固定 contract。