ParasGB: A Graph Benchmark Suite for Parasitic Estimation on AMS Circuits

تخيل أنك تبني مدينة ضخمة ومعقدة من قطع "ليغو" (LEGO). في المراحل الأولى من التخطيط، ترسم مخططات توضح أين ستكون الطرق، والمنازل، والمنتزهات. قد تفكر قائلًا: "هذا الطريق يبدو قصيرًا، لذا ستمر السيارات عبره بسرعة". ولكن في العالم الحقيقي، بمجرد أن تبني المدينة فعليًا، تدرك أن الطرق أضيق مما كنت تظن، وأن هناك إشارات مرور غير متوقعة، وأن الأرض تحتها رخوة، مما يؤدي إلى إبطاء كل شيء. في عالم الرقائق الإلكترونية، تُسمى هذه "الأرض الرخوة" و"الطرق الضيقة" بـ الخصائص الطفيلية (Parasitics). وهي تأثيرات كهربائية صغيرة وغير مرغوب فيها — مثل المقاومة والسعة غير المرئية — تتسلل عندما يتم بناء الرقاقة فعليًا. يمكن لهذه التأثيرات أن تحول تصميمًا سريعًا وفعالًا إلى كتلة بطيئة ومثقلة بالحرارة.

لعقود من الزمن، كان على مصممي الرقائق الانتظار حتى نهاية العملية تمامًا، بعد قضاء شهور وملايين الدولارات في بناء التصميم الفيزيائي، لقياس هذه الخصائص الطفيلية. إذا كانت الرقاقة بطيئة جدًا، فعليهم تفكيكها والبدء من جديد، وهو أمر يشبه إدراك أن مدينة "الليغو" الخاصة بك ثقيلة جدًا على الطاولة فقط بعد أن لصقت كل قطعة فيها. هذه لعبة "تخمين واختبار" بطيئة ومكلفة. مؤخرًا، بدأ العلماء في استخدام نوع من الذكاء الاصطناński يسمى الشبكات العصبية الرسومية (Graph Neural Networks - GNNs) للتنبؤ بهذه المشكلات مبكرًا. فكر في الـ GNN كأنه محقق ذكي للغاية ينظر إلى المخطط (الرسم التخطيطي) ويحاول تخمين كيف سيبدو الشكل النهائي للمدينة، بما في ذلك جميع الاختناقات المرورية الخفية، قبل وضع أول قطعة. ومع ذلك، لم تكن هناك طريقة عادلة لاختبار ما إذا كان هؤلاء المحققون من الذكاء الاصطناعي بارعين حقًا في عملهم، لأن الجميع كان يستخدم مخططات سرية ومختلفة لتدريبهم.

تقدم هذه الورقة البحثية ParasGB، وهي "أرض تدريب" مفتوحة المصدر لهؤلاء المحققين من الذكاء الاصطناعي. لقد أنشأ الباحثون مكتبة ضخمة ومعيارية لتصاميم رقائق حقيقية تم بناؤها واختبارها بنجاح بالفعل (عملية تسمى "tape-out"). لقد استخرجوا البيانات الكهربائية الدقيقة من هذه الرقائق الحقيقية وحولوها إلى لغز عملاق ليقوم الذكاء الاصطناعي بحله. وتجد الورقة أن النماذج القياسية للذكاء الاصطناعي تعاني في هذه المهمة — حيث ترتبك غالبًا بسبب الاختلافات الهائلة في كيفية كبر أو صغر هذه التأثيرات الكهربائية — بينما تؤدي النماذج المتخصصة المصممة خصيصًا لدوائر الرقائق أداءً أفضل بكثير. يوضح المؤلفون أنه باستخدام هذا المعيار الجديد، يمكننا أخيرًا مقارنة طرق الذكاء الاصطناعي المختلفة بشكل عادل وتحديد أي منها جاهز حقًا لمساعدة المصممين على بناء رقائق أسرع وأفضل دون إضاعة الوقت في أخطاء مكلفة.

قصة ParasGB

المشكلة: "الشبح" في الآلة

تخيل أنك تصمم سيارة سباق. ترسم محركًا مثاليًا وهيكلًا انسيابيًا على الورق. لكنك لا تعلم أن المعدن الذي ستستخدمه سيكون أثقل قليلاً مما ظننت، أو أن الرياح ستضرب السيارة بشكل مختلف بمجرد أن تتحرك فعليًا. في تصميم الرقائق، هذه "الأشباح" هي المقاومة والسعة الطفيلية. المقاومة تشبه الاحتكاك الذي يبطئ الكهرباء، والسعة تشبه الإسفنجة التي تمتص الشحنة الكهربائية. في الرقائق الحديثة، التي هي أصغر من حبة الرمل، تكون هذه التأثيرات ضخمة؛ إذ يمكن أن تشكل ما يصل إلى 80% من التأخير في رحلة الإشارة.

تقليديًا، يكتشف المصممون وجود هذه الأشباح فقط بعد الانتهاء من التصميم الفيزيائي. إذا كانت الرقاقة بطيئة جدًا، فعليهم العودة وإعادة التصميم، وهو أمر يشبه إعادة بناء محرك سيارة السباق بعد أن بدأت السباق بالفعل. هذه الدورة بطيئة ومكلفة للغاية. الهدف من هذا البحث هو التنبؤ بهذه الأشباح قبل بناء الرقاقة، باستخدام الذكاء الاصطناعي للنظر في المخطط والقول: "مهلًا، هذا السلك سيكون ضيقًا جدًا، وهذا الجزء سيصبح ساخنًا جدًا".

القطعة المفقودة: اختبار عادل

لفترة من الوقت، حاول الباحثون بناء نماذج ذكاء اصطناعي (تحديدًا الشبكات العصبية الرسومية) للتنبؤ بهذه الخصائص الطفيلية. لكن كانت هناك مشكلة كبيرة: لم يكن هناك اختبار مشترك لمعرفة من هو الأفضل. كان الأمر يشبه وجود خمس مدارس قيادة مختلفة، تختبر طلابها كل منها في مضمار سري مختلف. بعضها استخدم مضامير صغيرة، وبعضها استخدم مضامير ضخمة؛ بعضها كان ترابيًا، وبعضها كان جليديًا. بدون مضمار قياسي، لا يمكنك معرفة ما إذا كان الطالب سائقًا جيدًا أم أنه كان محظوظًا فحسب.

تجادل الورقة بأن المحاولات السابقة كانت متعثرة لأنها اعتمدت على بيانات صغيرة أو قديمة أو خاصة. لا يمكنك بناء ذكاء اصطناعي عالمي المستوى إذا كنت تدربه فقط على سيارات ألعاب. احتاج الباحثون إلى مجموعة بيانات ضخمة وعالية الجودة من رقائق حقيقية تعمل بالفعل لتدريب واختبار هذه النماذج بشكل عادل.

الحل: ParasGB

هنا يأتي دور ParasGB. أنشأ المؤلفون أول مجموعة معايير مفتوحة المصدر لهذه المهمة المحددة. لقد جمعوا بيانات من رقائق حقيقية تم تصنيعها بالفعل وأثبتت نجاحها. تشمل هذه الرقائق كلاً من الدوائر التناظرية (Analog circuits) (التي تتعامل مع الإشارات المستمرة مثل الصوت أو موجات الراديو) و SRAM (رقائق الذاكرة التي تخزن البيانات في هاتفك أو حاسوبك).

لقد أخذوا هذه التصاميم الحقيقية، التي تم إنشاؤها باستخدام أدوات صناعية احترافية، وحولوها إلى "رسوم بيانية" (Graphs). في هذا الرسم البياني، تعتبر المكونات الإلكترونية (مثل الترانزستورات) هي العُقد (Nodes) (النقاط)، والأسلاك التي تربط بينها هي الحواف (Edges) (الخطوط). "التسميات" أو الإجابات التي يريد الذكاء الاصطناعي التنبؤ بها هي القيم الدقيقة للمقاومة والسعة لكل جزء من الرسم البياني.

مجموعة البيانات ضخمة ومتنوعة:

• الدوائر التناظرية: تتراوح من كتل صغيرة تحتوي على 231 عقدة إلى وحدات أكبر تحتوي على ما يقرب من 7,000 عقدة. القيم هنا متناهية الصغر، وغالبًا ما تكون في نطاق $10^{-14}$ إلى $10^{-13}$ فاراد (وحدة السعة).
• دوائر SRAM: هذه هي العمالقة. أصغر تصميم SRAM في المجموعة يحتوي على حوالي 17,600 عقدة، بينما يحتوي الأكبر منها على رقم مذهل يصل إلى 11.7 مليون عقدة و55.2 مليون حافة.

هذا التنوع أمر بالغ الأهمية؛ فهو يجبر الذكاء الاصطناعي على تعلم كيفية التعامل مع كل من الدوائر الدقيقة والحساسة والدوائر الضخمة والمعقدة.

التحديات: "الذيل الطويل"

تسلط الورقة الضوء على بعض العقبات الصعبة التي تجعل هذه المهمة صعبة على الذكاء الاصطناعي. إحدى المشكلات الرئيسية هي عدم توازن التسميات (Label imbalance). في العالم الحقيقي، تمتلك معظم الأسلاك مقاومة أو سعة صغيرة جدًا، ولكن عددًا قليلًا من الأسلاك الحرجة يمتلك قيمًا ضخمة. إنه يشبه فصلًا دراسيًا حيث يحصل 99% من الطلاب على 100 نقطة، لكن طالبًا واحدًا يحصل على 1,000,000 نقطة. إذا خمن الذكاء الاصطناعي ببساطة "100" للجميع، فقد يحصل على درجة متوسطة عالية، ولكنه سيفشل تمامًا في رصد الطالب الوحيد الذي يحتاج إلى مساعدة بالفعل. توضح الورقة أن هذه القيم "القصوى" هي غالبًا الأكثر أهمية لأداء الرقاقة، ومع ذلك فهي نادرة.

تحدٍ آخر هو التباين الهيكلي (Structural heterogeneity). كل شريحة تبدو مختلفة؛ فقد تكون إحداها غابة كثيفة من الاتصالات، بينما تكون الأخرى شبكة متباعدة. الذكاء الاصطناعي الذي يتعلم التنبؤ بنوع واحد من الرقائق قد يفشل فشلًا ذريعًا في نوع آخر.

التجارب: من يفوز بالسباق؟

اختبر الباحثون العديد من نماذج الذكاء الاصطنافي المختلفة على هذا المعيار الجديد. قارنوا بين النماذج الرسومية "العامة" (التي تجيد أشياء كثيرة ولكنها ليست متخصصة في الرقائق) وبين النماذج "الخاصة بالدوائر" (التي بُنيت بمعرفة كيفية عمل الإلكترونيات).

كانت النتائج واضحة:

• النماذج العامة: عانت نماذج الذكاء الاصطناعي القياسية مثل GCN و GAT، خاصة مع الدوائر الأكثر صعوبة. وفي بعض الدوائر التناظرية الصعبة، كان أداؤها سيئًا للغاية لدرجة أن توقعاتها كانت أسوأ من التخمين العشوائي (مما يشير إلى درجات سالبة).
• النماذج المتخصصة: أدت النماذج المصممة خصيصًا للدوائر، مثل CircuitGCL و CircuitGPS، أداءً أفضل بكثير. على سبيل المثال، في مهمة التنبؤ بسعة الاقتران (مدى تداخل الأسلاك مع بعضها البعض) في رقائق SRAM، حقق نموذج CircuitGCL باستمرار أعلى دقة وأعلى درجات F1 عبر جميع حالات الاختبار.
• الحالات "الصعبة": تشير الورقة إلى أن أكبر المكاسب لوحظت في الدوائر الأكثر صعوبة. ففي الحالات التي فشلت فيها النماذج العامة، تمكنت النماذج المتخصصة من تحويل التوقعات السالبة إلى إيجابية، مما يثبت أن فهم الفيزياء المحددة للدائرة يساعد الذكاء الاصطناعي على تقديم تخمينات أفضل.

ماذا يعني هذا؟

إن ParasGB ليس مجرد مجموعة بيانات؛ بل هو معيار جديد. فهو يوفر "معيارًا ذهبيًا" للباحثين لاختبار أفكارهم. ومن خلال استخدام بيانات حقيقية أثبتت نجاحها في عملية التصنيع (tape-out)، فإنه يسد الفجوة بين النظرية الأكاديمية والهندسة في العالم الحقيقي. تشير الورقة إلى أنه بينما نحرز تقدمًا، لا يزال المجال يواجه تحديات كبيرة فيما يتعلق بعدم توازن البيانات والتعقيد الهائل لمختلف تصميمات الرقائق.

ومع ذلك، فإن المسار نحو المستقبل أصبح أوضح الآن. فمع وجود معيار موحد، يمكن للباحثين التوقف عن إعادة اختراع العجلة والبدء في التركيز على بناء نماذج ذكاء اصطناعي أفضل وأكثر قوة. يمكن لهذه النماذج أن تساعد في النهاية مصممي الرقائق على التنبؤ بالمشكلات مبكرًا، مما يقلل من عدد عمليات إعادة التصميم المكلفة ويسرع من إنشاء الجيل القادم من الإلكترونيات الأسرع والأكثر كفاءة. وتخلص الورقة إلى أنه رغم كون هذه خطوة كبيرة، إلا أنها مجرد البداية، وسوف تحتاج الأعمال المستقبلية إلى التوسع لتشمل أنواعًا أكثر من الرقائق وتقنيات معالجة أكثر تنوعًا.