From Language to Logic: Bridging LLMs & Formal Representations for RTL Assertion Generation
تُعد ProofLoop أداة وكيل (ReAct) مدعومة بالأدوات، تعمل على أتمتة توليد تأكيدات SystemVerilog (SVA) من اللغة الطبيعية عبر الجمع بين استرجاع سياق التصميم المعزز بالاسترجاع وعملية صقل تكرارية تتضمن وجود مُحلل في الحلقة باستخدام أدوات التحقق الرسمي.
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 تحاول بناء قلعة "ليغو" ضخمة ومعقدة للغاية. لضمان متانة القلعة، تحتاج إلى كتابة "كتيب قواعد" (وهذه هي التأكيدات - Assertions) تقول أشياء مثل: "إذا دخل فارس من البوابة، يجب أن يُغلق الجسر المتحرك في غضون ثانيتين".
المشكلة؟ كتابة هذه القواعد أمر صعب للغاية. عليك أن تعرف بالضبط مكان كل قطعة صغيرة، وكيف تعمل التروس، والوقت الدقيق الذي يمر بين الحركات. إذا كتبت قاعدة بشكل خاطئ، فقد تنهار القلعة بأكملها، لكنك لن تعرف السبب إلا بعد فوات الأوان.
تقدم هذه الورقة البحثية ProofLoop، وهو بمثابة استئجار مهندس معماري آلي فائق الذكاء ليكتب لك كتيب القواعد هذا.
إليك كيف يعمل هذا "المهندس المعماري الآلي"، مقسماً إلى ثلاث خطوات بسيطة:
١. مرحلة "المحقق" (جمع الأدلة)
معظم أنظمة الذكاء الاصطناعي (مثل ChatGPT القياسي) تحاول كتابة القواعد بمجرد النظر إلى صورة ضبابية للقلعة؛ فهي تخمن أماكن الطوب، وغالباً ما تخطئ في التخمين.
ProofLoop مختلف عن ذلك. فهو لا يخمن فحسب، بل يعمل كمحقق. قبل أن يكتب قاعدة واحدة، يستخدم أدوات خاصة لـ "يتجول" داخل القلعة. يسأل:
- "أين يتصل الجسر المتحرك بالضبط؟"
- "هل يدور هذا الترس باتجاه عقارب الساعة أم عكس اتجاه عقارب الساعة؟"
- "أي رافعة تتحكم في أي باب؟"
إنه يستخدم "محرك بحث" (يسمى RAG) للبحث عن أجزاء محددة من التصميم حتى لا يشعر بالارتباك بسبب الحجم الهائل للقلعة.
٢. مرحلة "المسودة" (كتابة القواعد)
بمجرد أن يجمع الروبوت كل أدلته، يجلس لكتابة المسودة الأولى لكتيب القواعد (SVA). ولأن الروبوت قد "رأى" بالفعل كيف تعمل التروس، فإن قواعده تكون أكثر دقة بكثير من الذكاء الاصطناعي الذي يعتمد فقط على التخمين بناءً على وصف ما.
٣. مرحلة "التجربة والخطأ" (اختبار الضغط)
هذا هو الجزء الأكثر عبقرية. بدلاً من مجرد تسليمك كتيب القواعد وقول: "تفضل، حظاً موفقاً!"، يرسل الروبوت قواعده إلى "مفتش رئيسي" (أداة تحقق رسمي تسمى JasperGold).
يحاول المفتش كسر القواعد. قد يقول:
- "مهلاً! هذه القاعدة التي كتبتها غير مفهومة، لا يمكنني حتى قراءتها!" (خطأ في الصيغة/Syntax error)
- "هذه القاعدة خاطئة! لقد وجدت طريقة لدخول البوابة دون إغلاق الجسر!" (خطأ وظيفي/Functional error)
بدلاً من الاستسلام، يأخذ المهندس المعماري الآلي تلك الملاحظات، ويعود إلى مكتبه، ويصلح الخطأ، ثم يحاول مرة أخرى. ويكرر ذلك حتى ثلاث مرات حتى تصبح القواعد مثالية.
لماذا يهم هذا الأمر؟ (ما الفائدة؟)
في عالم الرقائق الإلكترونية (التي تمثل "عقول" الهواتف والسيارات)، يمكن أن يكون الخطأ كارثة بمليارات الدولارات. حالياً، يتعين على البشر قضاء آلاف الساعات في كتابة هذه "الكتيبات" يدوياً.
النتائج:
اختبر الباحثون هذا الروبوت على مجموعة ضخمة من التصاميم الرقمية، ووجدوا ما يلي:
- إنه أكثر ذكاءً: كان أفضل بمرتين تقريباً في كتابة قواعد صالحة للعمل مقارنة بالذكاء الاصطناعي القياسي.
- يتعامل مع التعقيد: كلما أصبحت "القلاع" أكبر وأكثر تعقيداً، ارتبك الذكاء الاصطناعي القياسي وفشل، بينما استمر روبوت ProofLoop في التحسن والقوة.
- يتعلم من أخطائه: إنه بارع جداً في إصلاح أخطائه المطبعية والأخطاء الهيكلية بنفسه.
باختصار: يحول ProofLoop الذكاء الاصطناعي من "مخمن جاهل" إلى "مهندس دقيق" يبحث، ويصيغ، ويختبر، ويصلح حتى ينجز المهمة بشكل صحيح.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.