ملخص تقني: ما وراء الرموز (Tokens): تعزيز تقدير جودة الـ RTL عبر تعلم الرسوم البيانية الهيكلية

بيان المشكلة

في سير عمل أتمتة التصميم الإلكتروني (EDA)، يعد تقدير جودة تصميمات مستوى نقل السجلات (RTL) — وتحديداً مقاييس مثل المساحة والتأخير (area and delay) — أمراً بالغ الأهمية لتوفير تغذية راجعة فورية دون التكلفة الحسابية لعملية التركيب المنطقي (logic synthesis) الكاملة. وبينما استفادت الأساليب الحديثة من النماذج اللغوية الكبيرة (LLMs) لاستخلاص تضمينات (embeddings) من رموز كود الـ RTL، يرى المؤلفون أن هذه الطرق تغفل الجوانينات الهيكلية الجوهرية. فالرؤى القائمة على الرموز (tokens) تشفر المعلومات الهيكلية بشكل ضمني، بينما تكشف رسوم تدفق البيانات والتحكم (CDFGs) عن الخصائص الهيكلية للتصميم بشكل صريح، مما يوفر إشارات أغنى لتعلم التمثيل. علاوة على ذلك، تعتمد الأساليب القائمة على الرسوم البيانية الحالية غالباً على ميزات سطحية مصممة يدوياً تفشل في التقاط الأنماط المعقدة التي تؤثر على الأداء النهائي.

المنهجية

يقدم البحث StructRTL، وهو إطار عمل للتعلم ذاتي الإشراف المعتمد على البنية، مصمم لتحسين تقدير جودة تصميم الـ RTL. تتكون المنهجية من أربعة مكونات رئيسية:

1. بناء الـ CDFG

بدلاً من معالجة رموز كود الـ RTL الخام، يعمل StructRTL على رسوم تدفق البيانات والتحكم (CDFGs). تتضمن عملية البناء ما يلي:

• تجميع كود مصدر الـ RTL إلى لغة وسيطة للـ RTL (RTLIL) باستخدام Yosys.
• توليد شجرة بناء الجمل المجردة (AST) من الـ RTLIL باستخدام محلل Stagira Verilog.
• تتبع الـ AST لاستخراج الـ CDFG، حيث تمثل العقد العمليات أو عناصر التخزين، وتشير الحواف الموجهة إلى تبعات البيانات أو التحكم.

2. بنية النموذج

يستخدم StructRTL بنية هجينة تجمع بين الشبكة العصبية للرسوم البيانية (GNN) ومشفر المحولات (Transformer encoder):

• التهيئة (Initialization): يتم تهيئة تضمينات العقد عن طريق دمج الترميز بنظام "الترميز الواحد الساخن" (one-hot encoding) لنوع العقدة وعرض العقدة (node width).
• معالجة الـ GNN: تقوم شبكة "إيزومورفيزم الرسم البياني" (GIN) بعملية تمرير الرسائل لتوليد تضمينات مدركة للسياق.
• الترميز الموضعي (Positional Encoding): للحفاظ على المعلومات الهيكلية التي تُفقد عند تسطيح الرسم البياني للمحول، يتم حساب تضمينات موضعية عالمية باستخدام القيم الذاتية لمصفوفة لابلاسيان الطبيعية المتناظرة للرسم البياني الموجه.
• مشفر المحول (Transformer Encoder): يتم معالجة التضمينات المدركة للسياق، مدمجة مع التضمينات الموضعية، بواسطة مشفر محول لإنتاج تضمينات نهائية مستنيرة بالبنية.

3. ما قبل التدريب ذاتي الإشراف (Self-Supervised Pretraining)

لتعلم تمثيلات غنية، يخضع النموذج لمهمتين مخصصتين للتدريب المسبق على الـ CDFGs:

• نمذجة العقد المقنعة الواعية بالبنية (Structure-Aware Masked Node Modeling): على عكس الحجب القياسي للميزات الخام، تقوم هذه المهمة بحجب التضمينات المدركة للسياق بعد مرحلة الـ GNN. يتنبأ النموذج بنوع العقدة الأصلي (مشكلة تصنيف بـ 32 فئة) للعقد المحجوبة. ولمعالجة عدم التوازن الشديد في الفئات (مثل المشغلات النادرة مقابل الأسلاك الشائعة)، استخدم المؤلفون الحجب الطبقي (ضمان وجود عينات دنيا لكل فئة) وفقد التركيز المتوازن للفئات (class-balanced focal loss).
• التنبؤ بالحواف (Edge Prediction): بما أن تسطيح الرسم البياني للمحول يحجب الاتصال، فإن هذه المهمة تعامل استعادة الحواف كمسألة تصنيف ثنائي. يتنبأ النموذج بوجود حافة بين عقدتين بناءً على تضميناتهما النهائية، باستخدام مدرك متعدد الطبقات (MLP).

4. تقطير المعرفة (Knowledge Distillation)

لسد الفجوة بين الـ CDFGs على مستوى الـ RTL والشبكات الفعلية لما بعد التخطيط (post-mapping netlists) حيث تُقاس المساحة والتأخير، دمج المؤلفون استراتيجية تقطير المعرفة:

• يتم أولاً تدريب متنبئ يعتمد على الـ PM (ما بعد التخطيط) على الشبكات المصنعة (باستخدام GIN) ثم تجميده.
• يقوم هذا المتنبئ بتوجيه المتنبئ المعتمد على الـ CDFG (StructRTL) عبر محاذاة تنشيطات الطبقة الأخيرة باستخدام دالة فقد تجمع بين تشابه جيب التمام ومتوسط الخطأ التربيعي. وهذا ينقل الرؤى منخفضة المستوى من منظور البوابات المنطقية إلى نموذج مستوى الـ RTL.

المساهمات الرئيسية

• إطار عمل StructRTL: إطار عمل جديد للتعلم ذاتي الإشراف يستفيد صراحة من الـ CDFGs بدلاً من تسلسلات الرموز لالتقاط الدلالات الهيكلية.
• مهام ما قبل تدريب مخصصة: تقديم مهام نمذجة العقد المقنعة الواعية بالبنية والتنبؤ بالحواف المصممة خصيصاً للرسوم البيانية الحسابية، مما يعالج مشكلات الغموض المتأصلة في حجب عقد الـ CDFG الخام.
• الإشراف عبر المراحل (Cross-Stage Supervision): دمج تقطير المعرفة من شبكات ما بعد التخطيط لتعزيز دقة التقدير على مستوى الـ RTL.
• المصدر المفتوح: تم إصدار الكود لتسهيل المزيد من الأبحاث.

النتائج التجريبية

قيم المؤلفون StructRTL على مجموعة بيانات تضم 13,200 تصميم، مقارنة بالنماذج المرجعية القائمة على الرسوم البيانية (Graph-XGBoost, Graph-GNN) والنماذج المرجعية القائمة على LLM (نسخ CodeV).

• الأداء: بدون تقطير المعرفة، حقق StructRTL درجة $R^2$ بلغت 0.7463 لتوقع المساحة و 0.7630 لتوقع التأخير، متفوقاً بشكل كبير على أفضل الأساليب السابقة القائمة على LLM (والتي سجلت حوالي 0.63 و 0.52 على التوالي).
• مع تقطير المعرفة: عند دمج استراتيجية التقطير، تحسن أداء StructRTL أكثر ليصل إلى 0.8676 ($R^2$) للمساحة و 0.8872 للتأخير، متجاوزاً جميع النماذج المرجعية.
• دراسات الاستئصال (Ablation Studies): أدى إزالة أي من مهمتي ما قبل التدريب (نمذجة العقد المقنعة أو التنبؤ بالحواف) إلى انخفاض في الأداء، مما يؤكد ضرورة كلتا المهمتين.
• كفاءة البيانات: حافظ StructRTL على أداء تنافسي حتى عند التدريب على 20% فقط من البيانات، متفوقاً على نماذج LLM المرجعية التي تدربت على البيانات كاملة.
• التقييم الصناعي: على 102 وحدة RTL صناعية، حقق StructRTL دقة بنسبة 82.35% في ترتيب المساحة و 88.23% في ترتيب التأخير للمقارنات الثنائية.
• سرعة الاستدلال: يوفر StructRTL تغذية راجعة فورية تقريباً، بمتوسط 0.096 ثانية لكل تصميم مقارنة بـ 13.97 ثانية لعملية التركيب المنطقي (تسريع بمقدار 145 ضعفاً).

الأهمية والادعاءات

يدعي البحث أن الجمع بين تعلم التمثيل الهيكلي والإشراف عبر المراحل يضع نتائج جديدة هي الأفضل في فئتها (state-of-the-art) لتقدير جودة الـ RTL. ويؤكد المؤلفون أن الترميز الصريح للدلالات الهيكلية في الـ CDFGs، جنباً إلى جنب مع التعلم ذاتي الإشراف وتقطير المعرفة، يسمح للنموذج بالتقاط أنماط التصميم المعقدة التي تغفلها نماذج LLM القائمة على الرموز. يقدم هذا النهج حلاً عملياً لتسريع دورات التصميم من خلال توفير تغذية راجعة دقيقة ومبكرة للجودة دون العبء الحسابي للتركيب الكامل، مع بقائه فعالاً حسابياً بما يكفي لسير عمل التصميم التكراري. يسلط العمل الضوء على أنه بينما تتفوق النماذج اللغوية الكبيرة في توليد الكود، إلا أنها قد تفتقر إلى الانحياز الاستقرائي الهيكلي الصريح المطلوب لتقدير جودة الأجهزة بدقة، وهي فجوة يملؤها تعلم الرسوم البيانية الهيكلية بفعالية.