🤖 AI

PrefixAgent: An LLM-Powered Design Framework for Efficient Prefix Adder Optimization

إن PrefixAgent هو إطار عمل مدعوم بنماذج اللغات الكبيرة (LLM) يعمل على تحسين تصميم جامع البادئة (prefix adder) من خلال تفكيك المهمة إلى تخليق الهيكل الأساسي وتحسين البنية بتوجيه من التغذية الراجعة لأدوات التصميم الآلي للإلكترونيات (EDA)، مع الاستفادة من الرسوم البيانية-e (e-graphs) لتوليد بيانات تدريب دقيقة للغاية تعمل على تحسين كفاءة المساحة وقابلية التوسع بشكل كبير عبر مختلف عرض البتات.

المؤلفون الأصليون: Dongsheng Zuo, Jiadong Zhu, Yang Luo, Yuzhe Ma

نُشر 2026-08-21

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Dongsheng Zuo, Jiadong Zhu, Yang Luo, Yuzhe Ma

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

في قلب القلب السيليكوني لكل حاسوب حديث، من الهاتف الذكي في الجيب إلى الحاسوب الفائق الذي يدرب الذكاء الاصطناعي، تكمن مهمة أساسية: جمع الأرقام. وبينما يبدو هذا الأمر بسيطاً بالنسبة للإنسان، إلا أن الدوائر الإلكترونية التي تقوم بعملية الجمع هذه يجب أن تفعل ذلك بسرعة الضوء، موازنةً بين السرعة والمساحة الفيزيائية التي تشغلها. وتعد إحدى أكثر الطرق كفاءة لبناء هذه الدوائر هي ما يسمى بـ "الجامع البادئ" (prefix adder). تخيل فريقاً من العمال ينقلون رسالة على طول خط؛ يقوم الجامع البادئ بتنظيم هذا الفريق بحيث يعرف الجميع النتيجة النهائية بشكل فوري تقريباً، بدلاً من الانتظار حتى تنتقل الرسالة واحداً تلو الآخر. ومع ذلك، كلما كبرت الأرقام — مما يتطلب المزيد من البتات لتمثيلها — ينمو عدد الطرق الممكنة لترتيب هؤلاء العمال بشكل انفجاري. إن البحث عن الترتيب المثالي لعدد كبير يشبه محاولة العثور على حبة رمل واحدة محددة على شاطئ يستمر في النمو؛ فهو واسع جداً بحيث لا يمكن البحث فيه عبر كل الاحتمالات، ولا يمكن للمهندسين البشر تصميم أفضل نسخة يدوياً لكل شريحة جديدة.

لسنوات، حاول الباحثون استخدام الحواسيب لحل هذا اللغز، معتمدين غالباً على أساليب التجربة والخطأ التي تتسم بالبطء وتواجه صعوبة في التكيف مع المواقف الجديدة. ويقدم نهج جديد، فصلته مؤخراً أعمال بحثية أجراها باحثون من جامعة هونغ كونغ للعلوم والتكنولوجيا، نوعاً مختلفاً من المساعدين: نموذج لغوي كبير، وهو نفس نوع التكنولوجيا الكامنة وراء الذكاء الاصطناعي التوليدي المتقدم. ولكن بدلاً من مطالبته بكتابة الأكواد أو الدردشة، علم الباحثون هذا النموذج ليعمل كمعماري ماهر لهذه الدوائر الإلكترونية. لقد أنشأوا نظاماً يسمى "PrefixAgent"، وهو لا يحاول بناء الدائرة المعقدة بأكملها في قفزة واحدة ضخمة، بل يقسم المهمة إلى خطوتين يمكن إدارتهما. أولاً، يصمم النظام "الهيكل العظمي"، وهو الهيكل الإنشائي الرئيسي للجامع الذي يحدد سرعته وشكله العام. وبمجرد أن يصبح هذا الهيكل صلباً، ينتقل النظام إلى مرحلة ثانية، وهي إجراء تعديلات صغيرة ودقيقة على الاتصالات المحلية لضمان دقة التوقيت. يسمح هذا التقسيم في العمل للذكاء الاصطناعي بالتركيز على القرارات رفيعة المستوى بينما تتولى أدوات متخصصة التعامل مع التفاصيل المعقدة لهندسة الدائرة.

ولتعليم هذا الذكاء الاصطناعي كيفية اتخاذ قرارات جيدة، واجه الباحثون عقبة كبيرة: لم يكن هناك مكتبة موجودة مسبقاً من الأمثلة المثالية لتوضيح ما يجب فعله. ولحل هذه المشكلة، استخدموا تقنية رياضية تسمى "إشباع التساوي" (equality saturation)، والتي تعمل مثل آلة يمكنها توليد كل التباينات الصالحة لهيكل الدائرة في آن واحد. ومن هذه المجموعة الضخمة من الاحتمالات، استخرجوا أفضلها وسجلوا الخطوات الدقيقة المتخذة للوصول إليها. ثم استخدموا هذه الخطوات المسجلة لتدريب الذكاء الاصطناعي، حيث لم يكتفوا بإظهار الإجابة النهائية له فحسب، بل أظهروا أيضاً عملية الاستنتاج وراء كل تغيير. سمح هذا التدريب للذكاء الاصطناعي بتعلم استراتيجية عامة للتحسين بدلاً من مجرد حفظ تصميمات محددة. وعند اختباره، أثبت النظام فعالية ملحوظة؛ ففي كل سيناريو جربوه تقريباً، بما في ذلك التصميمات للأرقام ذات الـ 64 بت، استخدمت الدوائر التي صممها الذكاء الاصطناعي مساحة فيزيائية أقل من تلك التي أنشأتها الطرق التقليدية أو مناهج التعلم الآلي الأخرى. وأصبح هذا التفوق أكثر وضوحاً مع كبر حجم الأرقام، حيث أنتج الذكاء الاصطناعي تصميمات أصغر بكثير من تلك التي تنتجها الأدوات التجارية المستخدمة من قبل مصنعي الرقائق اليوم.

يسلط نجاح هذه الطريقة الضوء أيضاً على تحول في كيفية حل المشكلات الهندسية المعقدة في المستقبل. فمن خلال الجمع بين قدرة الاستنتاج لنموذج لغوي كبير ودقة أدوات التصميم المتخصصة، أنشأ الباحثون نظاماً يمكنه التكيف مع قيود جديدة دون الحاجة إلى إعادة تدريبه من الصفر لكل تصميم شريحة جديد. وأظهرت النتائج أن الذكاء الاصطناعي يمكنه التعامل مع الظروف غير المتجانسة، حيث تتلقى بعض أجزاء الدائرة الإشارات في أوقات مختلفة، وهو تحدٍ واقعي شائع غالباً ما يحبط الأدوات المؤتمتة. وفي الاختبارات التي شملت تدفق تصنيع تجاري، تفوقت الدوائر المصممة بواسطة الذكاء الاصطناعي باستمرار على الحلول القياسية في الصناعة، مما قدم مساراً واضحاً نحو أجهزة إلكترونية أكثر كفاءة وقوة. يشير هذا العمل إلى أن مستقبل تصميم الرقائق قد لا يعتمد فقط على الحدس البشري أو البحث بالقوة الغاشمة، بل على وكلاء أذكياء يمكنهم الاستنتاج عبر المشكلات الهيكلية المعقدة، والتعلم من المنطق ذاته للدوائر التي طُلب منهم بناؤها.

أبحاث مشابهة