Self-Evolving Code

LLM 에이전트가 전체 코드베이스를 자율적으로 진화시키는 패러다임. generate → compile → formal-verify → benchmark → feedback 루프. AlphaEvolve(100s LoC) → SATLUTION(10k LoC) → Self-Evolved ABC(1.2M LoC)로 스케일 확장.

핵심 내용

Yu & Ren (2026-04)에 따르면 self-evolving framework는 human-driven 개발의 saturation을 LLM agent가 돌파하는 새 패러다임이다 (출처: Autonomous Evolution of EDA Tools Multi-Agent Self-Evolved ABC).

핵심 루프:

Plan → Code 수정 → Compile → Formal Verify → Benchmark → Feedback
 ↑                                                              │
 └──────────────────────────────────────────────────────────────┘

스케일 계층

프레임워크	대상	규모	분야
AlphaEvolve (DeepMind 2025)	알고리즘 kernel	100s LoC	matrix multiplication 등
SATLUTION (NVIDIA 2025)	SAT solver repo	10k LoC	SAT 경진대회 우승 초과
Self-Evolved ABC (2026-04)	EDA logic synthesis tool	1.2M LoC / 4000 files	logic synthesis + mapping

ABC는 직전 scale보다 100배 규모. 단일 objective(SAT=runtime, matmul=FLOPs)가 아닌 multi-objective (area, delay, QoR trade-off)까지 확장.

Formal Correctness Gate가 핵심

모든 반복마다 modification 직후 formal verification으로 semantic 등가 확인. Self-Evolved ABC는 CEC(Combinational Equivalence Checking)로 수정 전후 회로 등가 입증 후에만 QoR 평가 진행.

효과:

잘못된 rewrite가 evaluator를 속이는 false improvement 차단
잘못된 variant에 LLM 사이클·compute 낭비 방지 (SATLUTION 교훈)
>90% 토큰이 semantically valid state에 소비

SATLUTION은 DRAT proof(UNSAT 증명 validation), ABC는 CEC(cec, dsat ABC 명령). 공통 패턴: 대상 domain의 formal verifier를 evolutionary loop 안에 edge로 삽입.

Multi-Agent 서브시스템 분해

Self-Evolved ABC가 1.2M LoC를 다루는 방식: 단일 모노리식 agent 대신 non-overlapping 디렉토리 소유권 부여.

Planning Agent (Claude Sonnet 4.5)
├─ Flow Agent       → src/opt/flowtune/
├─ Mapper Agent     → src/map/mapper/
└─ Logic Min Agent  → src/base/abci/

각 coding agent는 지정 디렉토리 안에서만 수정. Planning agent가 global QoR feedback 해석, 다음 사이클 subsystem 결정, subsystem 간 hypothesis 통합.

→ AiScientist의 Tier-0/Tier-1 분리와 유사하나 여기는 코드베이스 디렉토리 경계로 isolation 구현.

Self-Evolving Rulebase

Planner가 rule 자체를 진화시킴. Rule이 지속적으로 유익한 edit을 block하면 planner가 controlled relaxation 제안. 초기 사이클 보수적 → 후기 explorative로 자연스럽게 이행.

Knowledge Bootstrapping

Cycle 0에 codebase profiling 투입. Self-Evolved ABC에서 68% 토큰이 초기 profiling, 11% 외부 codebase 분석, 21%만 evolution cycle 자체. 한번 priming되면 marginal cost 낮음.

포맷 insight: natural language 대신 구조화 Markdown tutorial 제공 시 agent 신뢰도 상승. 절차적 추론 유도, hallucination 감소.

결과 (Self-Evolved ABC)

전체 QoR 8.3% 개선 (baseline 1.000 → 0.917, lower better)
Worst negative slack 8-9% 개선
AIG node count 3-8% 감소, post-mapping depth 4-6% 감소
총 비용 ~** $2, 400 * * (p r o f i l in g$ 1,400 포함)
사이클 당 2-3시간 (87-node AMD EPYC cluster, 8 flows 병렬)

한계: 증폭 >> 발명

Agent가 native coding style에 자발적으로 수렴 (ABC formatting, naming, macro convention). 그러나 anchor 없는 전혀 새로운 알고리즘 구성은 실패율 높음 — 컴파일 에러, segfault, 미묘한 correctness 위반.

결론: self-evolving framework는 “human-curated prior를 증폭·재조합”하는 데 탁월, fully novel paradigm 제안에는 부족. Scaffold가 없는 영역은 아직 agent 혼자 돌파 어려움.

저자 입장 (출처: 결론부): “The success of agents on EDA problems is not created in isolation. It is enabled by decades of foundational contributions from the EDA community.” — 진화는 prior 위에서만 잘 작동.

Protocol layer로의 일반화

Autogenesis Protocol은 self-evolving code/tool/prompt를 ad hoc loop가 아니라 resource lifecycle protocol로 정식화한다 (출처: Untitled). Prompt, tool source, memory, environment를 versioned resource로 올리고, Reflect → Select → Improve → Evaluate → Commit operator를 통해 변경을 적용한다. 이 관점에서 Self-Evolved ABC의 formal verification gate는 Autogenesis의 Evaluate/Commit 단계에 해당한다.

hj blog

Explorer