💻 computer science

UCAgent: An End-to-End Agent for Block-Level Functional Verification

تقدم الورقة البحثية UCAgent، وهو وكيل متكامل (end-to-end) يعمل على أتمتة التحقق الوظيفي على مستوى الكتل (block-level) عبر استخدام بيئة بايثون خالصة، وسير عمل دقيق مكون من 31 مرحلة مع أدوات فحص مؤتمتة، وآلية تسمية اتساق التحقق (Verification Consistency Labeling Mechanism) لتحقيق تغطية عالية وكشف عيوب التصميم دون الاعتماد على كود SystemVerilog الهش الذي يتم إنشاؤه بواسطة النماذج اللغوية الكبيرة (LLM).

المؤلفون الأصليون: Junyue Wang, Zhicheng Yao, Yan Pi, Xiaolong Li, Fangyuan Song, Jinru Wang, Yunlong Xie, Sa Wang, Yungang Bao

نُشر 2026-03-30

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Junyue Wang, Zhicheng Yao, Yan Pi, Xiaolong Li, Fangyuan Song, Jinru Wang, Yunlong Xie, Sa Wang, Yungang Bao

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

تخيل أنك تقوم ببناء قلعة "ليجو" ضخمة ومعقدة للغاية. لديك المخططات (التصميم)، ولكن قبل أن تتمكن من استعراضها، عليك التأكد من أن كل قطعة موجودة في مكانها الصحيح، وأن كل باب يفتح، وأن البرج لن ينهار إذا نفخت عليه.

في عالم الرقائق الإلكترونية (الدوائر المتكاملة)، تسمى عملية "التحقق" هذه التحقق الوظيفي (Functional Verification). لسنوات طويلة، كانت هذه العملية هي الجزء الأكثر تكلفة، واستهلاكاً للوقت، وإحباطاً. لقد كانت تشبه محاولة العثور على إبرة في كومة قش وأنت ترتدي قفازات تغطي عينيك.

إليك UCAgent. لا تنظر إلى UCAgent كمهندس بشري، بل كـ مساعد روبوت ذكي للغاية ولا يكلّ، صُمم للقيام بكل عمليات التحقق نيابة عنك، من البداية وحتى النهاية.

إليك كيف يعمل UCAgent، مشروحاً عبر تشبيهات بسيطة:

المشكلة: لماذا يعاني البشر (والروبوتات القديمة)؟

تقليدياً، كان المهندسون يكتبون كوداً بلغة صارمة وصعبة تسمى SystemVerilog لاختبار الرقائق.

حاجز اللغة: تخيل أنك تطلب من كاتب بارع أن يكتب عقداً قانونياً بلغة يكاد لا يعرفها (مثل اللغة السومرية القديمة). قد يرتكب أخطاءً في القواعد أو يخترع كلمات غير موجودة. هذا ما يحدث عندما يحاول الذكاء الاصطناعي كتابة كود اختبار الرقائق؛ فهو ليس مدرباً بما يكفي على هذه "اللغة القديمة".
فجوة الذاكرة: تصميم الرقاقة يشبه رواية مكونة من 1,000 صفحة. إذا طلبت من الذكاء الاصطناعي قراءة الرواية بأكملها ثم كتابة اختبار للصفحة 500، فغالباً ما ينسى ما حدث في الصفحة 10. يصاب بالارتباك، ويهلوس (يخترع أشياء من خياله)، ويفشل الاختبار.
مشكلة "الضياع في الترجمة": إذا كان المخطط يقول "الباب الأحمر"، فقد يتحقق الاختبار من "البوابة القرمزية". يمر الاختبار بنجاح، لكنه في الواقع يتحقق من الشيء الخطأ. هكذا تنقطع الصلة بين الخطة والاختبار.

الحل: القوى الثلاث الخارقة لـ UCAgant

يعالج UCAgent هذه المشكلات بثلاث حيل ذكية:

1. "المترجم العالمي" (بيئة بايثون - Python Environment)

بدلاً من إجبار الذكاء الاصطناعي على الكتابة بلغة "القديمة الصعبة" (SystemVerilog)، يقوم UCAgent بترجمة الرقاقة إلى لغة بايثون (Python).

التشبيه: تخيل أنك طاهٍ ماهر (الذكاء الاصطناعي) بارع في طهي الطعام الإيطالي (بايثون) ولكنك سيء جداً في طهي السوشي الياباني (SystemVerig). بدلاً من إجبارك على صنع السوشي، يعطيك UCAgent آلة تحول مكونات السوشي إلى معكرونة إيطالية. الآن، يمكنك الطهي بشكل مثالي!
كيف يعمل: يقوم UCAgent بتحويل تصميم الرقاقة إلى حزمة برمجية بلغة بايثون. يكتب الذكاء الاصطناعي الاختبارات بلغة بايثون (التي يحبها)، ويقوم النظام بتشغيلها ضد الرقاقة. هذا يتجنب وقوع الذكاء الاصطناعي في أخطاء بناء الجملة (Syntax errors).

2. "المراقب الصارم" (سير العمل المكون من 31 مرحلة)

حاولت أنظمة الذكاء الاصطناعي القديمة القيام بكل شيء في قفزة واحدة كبيرة. لكن UCAgent يقسم المهمة إلى 31 خطوة صغيرة يمكن التحكم بها، مثل وصفة تحتوي على 31 تعليمات محددة.

التشبيه: تخيل بناء منزل. أنت لا تقول فقط "ابنِ منزلاً". بل تقول: 1. صب الأساس. 2. افحص الأساس. 3. ابنِ الجدران. 4. افحص الجدران.
شبكة الأمان: بعد كل خطوة، يقوم مفتش رقمي (مدقق آلي) بفحص العمل. إذا ارتكب الذكاء الاصطناعي خطأ في الخطوة 3، فإن المفتش يوقف العملية فوراً، ويقول "أصلح هذا"، ويحاول الذكاء الاصطناعي مرة أخرى. هو لا يسمح للذكاء الاصطناعي بالانتقال إلى الخطوة 4 حتى تصبح الخطوة 3 مثالية. هذا يمنع الأخطاء الصغيرة من التراكم لتصبح كارثة.

3. "نظام الوسم الرقمي" (تسمية اتساق التحقق - Verification Consistency Labeling)

هذا هو الغراء الذي يبقي كل شيء متصلاً. يجبر UCAgent الذكاء الاصطناعي على وضع أوسمة رقمية (Tags) على كل ما ينشئه.

التشبيه: تخيل أنك تنظم مكتبة ضخمة. أنت لا تكتب فقط كلمة "كتاب" على الرف. بل تكتب رمزاً محدداً: التاريخ-الحرب العالمية الثانية-الفصل الثالث.
كيف يعمل:
- عندما يقرأ الذكاء الاصطناعي المخطط، يضع وسماً للميزة: الوسم: الباب-الأحمر.
- عندما يكتب الاختبار، يجب أن يستخدم نفس الوسم: الوسم: الباب-الأحمر.
- إذا حاول الذكاء الاصطناعي كتابة اختبار لـ "بوابة زرقاء" (لم تكن موجودة في المخطط)، يصرخ النظام فوراً: "توقف! هذا الوسم غير موجود في المخطط!"
- هذا يضمن أن الذكاء الاصطناعي لن يهلوس بميزات غير موجودة، ولن ينسى أبداً اختبار شيء موجود بالفعل.

النتائج: ماذا حقق؟

اختبر الباحثون UCAgent على رقائق كمبيوتر حقيقية (مثل UART، وهو يشبه جهاز اللاسلكي الرقمي، ووحدة الفاصلة العائمة Floating Point Unit، التي تقوم بالعمليات الحسابية).

السرعة والدقة: نجح في أتمتة العملية بأكملاء، محققاً ما يقرب من 100% من التغطية (بمعنى أنه اختبر كل السيناريوهات الممكنة تقريباً).
صائد الأخطاء: لم يكتفِ باتباع الأوامر فحسب؛ بل اكتشف بالفعل أخطاءً (Bugs) جديدة في التصميمات التي غفل عنها المهندسون البشريون لفترة طويلة.
الكفاءة: حول عملية تستغرق عادةً أسابيع من العمل البشري إلى مهمة يمكن إنجازها في ساعات أو أيام.

الخلاصة

UCAgent يشبه إعطاء متدرب فائق الذكاء مجموعة من القواعد الصارمة، ومترجماً عالمياً، ونظام تسمية. بدلاً من ترك الذكاء الاصطناعي يخمن ويرتكب الأخطاء، يقوم UCAgent بتوجيهه خطوة بخطوة، مما يضمن أن كل اختبار يكتبه دقيق، ومتسق، ويتحقق فعلياً مما يفترض بالرقاقة القيام به.

إنها قفزة هائلة للأمام، حيث نقلت عملية التحقق من "الأمل في عدم نسيان أي شيء" إلى "نحن نعلم أننا تحققنا من كل شيء".

إليك ملخص تقني مفصل لورقة البحث بعنوان "UCAgent: وكيل متكامل (End-to-End) للتحقق الوظيفي على مستوى الكتل (Block-Level)."

1. بيان المشكلة

يعد التحقق الوظيفي (Functional verification) المرحلة الأكثر استهلاكاً للموارد في تطوير الدوائر المتكاملة (IC)، حيث يستهلك أكثر من 70% من الجداول الزمنية للمشاريع. ورغم الاستثمارات الضخمة، لا تزال الطرق التقليدية (التحقق العشوائي المقيد، والتحقق الرسمي) تعاني من النمو الأسي لتعقيد التصميم، مما يؤدي إلى انخفاض معدلات النجاح عند إنتاج أول شريحة (14% في عام 2024).

بينما تُظهر النماذج اللغوية الكبيرة (LLMs) وعوداً في توليد الأكواد، فإن تطبيقها على التحقق الوظيفي المتكامل (End-to-End) للعتاد يواجه ثلاث عقبات حرجة:

دقة محدودة في توليد لغات وصف العتاد (HDL): تم تدريب النماذج اللغوية الكبيرة على كميات هائلة من بيانات Python، لكنها تفتقر إلى الكفاءة في لغات Verilog/SystemVerilog (لغات وصف العتاد) بسبب ندرة البيانات وتعقيد القواعد النحوية، مما يؤدي إلى أكواد تحقق غير مستقرة أو خاطئة.
هشاشة سير العمل (Workflow Fragility): تتجاوز مهام التحقق المعقدة نافذة السياق (Context Window) الخاصة بالنماذج اللغوية الكبيرة، مما يسبب "تآكل السياق"، والهلوسة، وتراكم الأخطاء. كما تفشل مسارات العمل البسيطة في التكيف مع تنوع تعقيدات العتاد (مثل الحاجة إلى وحدات محاكاة وهمية للملحقات/Dependencies).
اتساق التحقق: يصعب الحفاظ على تتبع صارم بين مواصفات التصميم، ونماذج التغطية (Coverage models)، وحالات الاختبار. غالباً ما تقوم النماذج اللغوية الكبيرة بتغيير المصطلحات أو تهلوس بسيناريوهات غير صالحة، مما يكسر الرابط الدلالي المطلوب لتحقيق تحقق موثوق.

2. المنهجية: بنية UCAgent

يقترح المؤلفون UCAgent، وهو وكيل مستقل متكامل يقوم بأتمتة التحقق الوظيفي على مستوى الكتلة. ويعتمد على ثلاث آليات أساسية للتغلب على التحديات المذكورة أعلاه:

أ. بيئة تحقق تعتمد كلياً على Python

لتجاوز قيود النماذج اللغوية الكبيرة في توليد لغة SystemVerilog، ينقل UCAgent تنفيذ عملية التحقق بالكامل إلى Python.

PyDUT: يستخدم أداة Picker لتحويل تصميم RTL (التصميم تحت الاختبار) إلى حزمة Python.
Toffee: إطار عمل للتحقق يعتمد على Python ويوفر تجريدات عالية المستوى (مثل التحكم في الساعة، وتغليف الإشارات)، مما يحمي النموذج اللغوي من التفاصيل منخفضة المستوى للمحاكاة مثل دورات دلتا (Delta-cycles).
الفائدة: الاستفادة من الكفاءة الفائقة للنماذج اللغية الكبيرة في لغة Python لتوليد منصات الاختبار (Testbenches) وحالات الاختبار بشكل موثوق.

ب. سير عمل دقيق مكون من 31 مرحلة وقابل للضبط

بدلاً من استخدام مطالبة (Prompt) واحدة ضخمة، يتم تفكيك عملية التحقق إلى سير عمل مكون من 31 مرحلة (مثل: استخراج الميزات، نمذجة التغطية، توليد حالات الاختبار، تحليل الأخطاء).

المحققات الآلية (Automated Checkers): لكل مرحلة محقق آلي مخصص يتحقق من المخرجات مقابل قواعد محددة مسبقاً قبل الانتقال للمرحلة التالية.
حلقة التغذية الراجعة: إذا فشلت مرحلة ما، يقوم المحقق بإرجاع رسائل خطأ محددة للنموذج اللغوي الكبير لغرض التصحيح الذاتي، مما يمنع تراكم الأخطاء.
القابلية للضبط: يتم تعريف سير العمل عبر ملفات YAML، مما يسمح بإدراج أو تخطي مراحل معينة (مثل توليد الوحدات الوهمية للملحقات) بناءً على تعقيد وحدة العتاد المحددة.

ج. آلية تسمية اتساق التحقق (VCLM)

لضمان التتبع، يقدم UCAgent نظام تسمية هرمي (FG، FC، CK) يجب تضمينه في جميع المخرات المولدة:

FG (مجموعة الوظائف - Function Group): فئات المستوى الأعلى (مثلاً: <FG-ARITHMETIC>).
FC (نقطة فحص الوظيفة - Function Checkpoint): ميزات محددة داخل المجموعة (مثلاً: <FC-VFADD>).
CK (نقطة التحقق - Check Point): شروط تحقق محددة (مثلاً: <CK-FP32>).
الآلية: تقوم المحققات بتحليل هذه الملصقات في كل مرحلة (المواصفات $\leftarrow$ نموذج التغطية $\leftarrow$ حالة الاختبار). إذا وجد ملصق في حالة الاختبار غير موجود في المواصفات، أو إذا كانت هناك متطلبات في المواصفات تفتقر إلى اختبار مقابل، فإن المحقق يرفض المخرجات. هذا يضفي صبغة رسمية على التوافق الدلالي ويمنع الهلوسة.

3. تنفيذ النظام

بُني UCAgent على أربع وحدات:

الوسيط البرمجي للوكيل (Agent Middleware): يستخدم LangChain واستدلال ReAct لإدارة تفاعلات النموذج اللغوي واستدعاء الأدوات (عبر بروتوكول سياق النموذج - Model Context Protocol).
إدارة سير العمل (Workflow Management): يدير تسلسل الـ 31 مرحلة، ويدير استمرارية الحالة والانتقالات.
التحقق من المرحلة (Stage Validation): يدمج المحققات وآلية VCLM لفرض الجودة والاتساق.
بيئة تنفيذ التحقق (Verification Execution Environment): تشغل منصات الاختبار القائمة على Python باستخدام Pytest، وتجمع المقاييس (التغطية، معدلات النجاح) لتقديم التغذية الراجعة.

4. النتائج التجريبية

قام المؤلفون بتقييم UCAgent على خمس وحدات عتادية (UART, Integer Divider, FPU, ICache, Page Table Walker) باستخدام ثلاثة نماذج لغوية كبيرة (Claude-Sonnet-4.5, GPT-5, Qwen3-Coder-Plus).

أداء التغطية:
- حقق ما يصل إلى 98.5% من تغطية الكود (Code Coverage) و 100% من التغطية الوظيفية (Functional Coverage) في وحدات مثل Integer Divider.
- حققت وحدة UART-16550 حوالي 80% من تغطية الكود وأكثر من 96% من التغطية الوظيفية.
اكتشاف الأخطاء:
- نجح في تحديد عيوب تصميم لم تكن معروفة سابقاً في وحدة LaneFAdd غير المتحقق منها (تحديداً أخطاء الحالات الحدية في التعامل مع FP16/BF16).
- تتبع هذه الأخطاء وصولاً إلى نقاط وظيفية محددة باستخدام VCLM، مما ساعد في تحديد موقع الخطأ بسرعة.
الكفاءة:
- تراوحت أوقات التحقق من البداية للنهاية بين 40 إلى 180 دقيقة اعتماداً على تعقيد الوحدة والنموذج المستخدم.
- سمحت حلقة التصحيح الذاتي القائمة على المحقق للنظام بالتعافي من معدلات الفشل العالية أثناء توليد حالات الاختبار (على سبيل المثال، تعافى نموذج Claude-Sonnet-4.5 من 67 فشلاً في وحدة UART لتحقيق الإغلاق/Closure).
مقارنة النماذج:
- Claude-Sonnet-4.5: حقق أعلى تغطية للكود وأدق تفصيل وظيفي، ولكنه كان أبطأ بسبب عمليات التحسين المتكررة.
- GPT-5: كان الأكثر استقراراً في التغطية الوظيفية (وصل باستمرار إلى 100%).
- Qwen3-Coder-Plus: كان الأسرع في التنفيذ ولكن بتغطية أقل بسبب التفكيك الأكثر خشونة.

5. المساهمات الرئيسية

تحول في النموذج المعرفي: يقترح بيئة تحقق أصلية في Python، مما يتجاوز بفعالية ندرة البيانات وتعقيد القواعد النحوية للغة SystemVerilog.
سير عمل قوي: يقدم سير عمل دقيق مكون من 31 مرحلة مع محققات آلية، مما يحل مشكلة تراكم الأخطاء في المهام طويلة الأمد.
آلية الاتساق: طور VCLC، وهو نظام تسمية هرمي يفرض تتبعاً صارماً بين المواصفات، ونماذج التغطية، وحالات الاختبار، مما يحل مشكلة "الهلوسة" في المنطق الوظيفي.
التحقق العملي: يثبت أن وكيل الذكاء الاصطناعي يمكنه اكتشاف أخطاء عتادية حقيقية بشكل مستقل وتحقيق مقاييس تغطية بمعايير الصناعة دون تدخل بشري في الحلقة (باستثناء الوحدات ذات النطاق الضخم جداً).

6. الأهمية

يمثل UCAgent خطوة هامة نحو التحقق الذاتي الكامل للعتاد. من خلال فصل منطق التحقق عن قيود توليد لغات وصف العتاد (HDL) وفرض الاتساق الصارم عبر التسمية، فإنه يعالج العقبات الأساسية التي تمنع الذكاء الاصطناعي من استبدال مهندسي التحقق البشر. يثبت الإطار أن النماذج اللغوية الكبيرة لا يمكنها فقط توليد الأكواد، بل يمكنها أيضاً إدارة سير عمل هندسي معقد متعدد المراحل بموثوقية عالية، مما قد يقلل عبء الـ 70% من وقت التحقق في دورات تصميم الدوائر المتكاملة.

ملاحظات حول القيود: لا يزال النظام يتطلب إعداداً يدوياً لتفكيك سير العمل في التصميمات الصناعية الضخمة، كما أن اكتمال التحقق يظل مرتبطاً بالمعرفة المجالية للنموذج اللغوي الأساسي (مثل حالات الحافة الخاصة بـ RISC-V). يهدف العمل المستقبلي إلى دمج حقن المعرفة الديناميكي وتفكيك المهام بشكل مستقل تماماً.