SKILL: Self-correcting Knowledge-guided Iterative Large Language Model Agent for Logic Optimization
تقدم الورقة البحثية SKILL، وهو نظام متعدد الوكلاء تكراري، ذاتي التصحيح وموجه بالمعرفة، يجمع بين نماذج لغوية كبيرة متخصصة وخوارزمية تحسين السياسة القريبة (PPO) للتفوق بشكل كبير على تدفقات الخبراء التقليدية في تحسين تركيب المنطق، وذلك عبر تحقيق تحسن بنسبة 12.4% في مقاييس PDA ومعدل نجاح بنسبة 86.3% في الاختبارات القياسية واسعة النطاق.
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
يعتمد العالم الرقمي على المنطق، وهو البنية التحتية غير المرئية للقرارات التي تشغل كل شيء من الهواتف الذكية إلى الأقمار الصناعية. وفي قلب هذه البنية يكمتر خطوة حاسمة تسمى "تخليق المنطق" (logic synthesis)، حيث يقوم المهندسون بترجمة أفكار التصميم عالية المستوى إلى الترتيب المادي الفعلي لمليارات المفاتيح الصغيرة على شريحة الكمبيوتر. ولعقود من الزمن، اعتمدت هذه العملية على تعليمات جامدة مكتوبة من قبل خبراء تخبر الكمبيوتر بكيفية إعادة ترتيب هذه المفاتيح لجعلها أسرع وأصغر وأكثر كفاءة في استهلاك الطاقة. ومع ذلك، مع زيادة تعقيد الرقائق، تكافح هذه التعليمات الثابتة لمواكبة التطور، وغالبًا ما تفشل في العثور على حلول أفضل مخبأة داخل الاحتمالات الشاسعة والفوضوية لكيفية بناء الشريحة. إن البحث عن الترتيب المثالي يشبه محاولة العثور على حبة رمل محددة وسط شاطئ يتغير شكله في كل مرة تنظر إليه، مما يجعل من الصعب للغاية على الطرق التقليدية التنقل بكفاءة.
ولحل هذه المشكلة، طور باحثون في جامعة كاليفورنيا، ريفرسايد، نظامًا جديدًا يسمى SKILL، والذي يعمل كدليل ذكي ذاتي التصحيح لتصميم الرقائق. فبدلاً من اتباع نص برمجي ثابت، يستخدم SKILL فريقًا من نماذج الذكاء الاصطناعي المتقدمة التي تعمل معًا لاستكشاف مساحة التصميم، تمامًا مثل مجموعة من المتخصصين الذين يتعاونون في حل لغز صعب. يعمل أحد النماذج كمخطط استراتيجي، يرسم الخطط طويلة المدى لأداء الشريحة. ويغوص نموذج ثانٍ في التفاصيل الدقيقة، ليكتشف الاختناقات المحددة ونقاط الضعف الهيكلية في التصميم. ويتولى نموذج ثالث عملية التحليل السريع، حيث يفحص آلاف الاحتمالات في الوقت الفعلي للحفاظ على سير العملية. ولا تعمل هذه العقول الرقمية الثلاثة بمعزل عن بعضها البعض؛ بل تقترن بوكيل تعلم يتفاعل مباشرة مع أدوات البرامج الصناعية المستخدمة في بناء الرقائق. يقوم هذا الوكيل بتجربة تغييرات مختلفة، ومراقبة النتائج، والتعلم من التغذية الراجعة، مما يخلق حلقة مستمرة من التجربة والخطأ والتحسين.
وما يميز هذا النظام هو قدرته على إدراك متى يرتكب خطأً وإصلاح نفسه دون مساعدة بشرية. في الماضي، إذا اتخذ نظام مؤتمت قرارًا سيئًا جعل الشريحة أبطأ أو أكبر حجمًا، فقد يستمر في هذا المسار الخاطئ حتى تفشل العملية برمتها. أما SKILL، فيراقب باستمرار سلامة التصميم؛ فإذا اكتشف أن تغييرًا ما قد جعل الشريحة أسوأ، فإنه يتوقف فورًا، ويحلل سبب فشل القرار، ويطلب من فريق نماذج الذكاء الاصطناعي لديه وضع استراتيجية جديدة للتعافي. وتسمح آلية التصحيح الذاتي هذه للنظام بالتنقل في المشهد المعقد لتصميم الرقائق بمرونة افتقرت إليها الأساليب السابقة، محولةً النهايات المسدودة إلى فرص جديدة للتحسين.
اختبر الباحثون نظام SKILL على مجموعة متنوعة من تصميمات الرقائق الواقعية، بدءًا من المشاريع الأكاديمية الصغيرة وصولاً إلى الأنظمة الصناعية الضخمة التي تحتوي على ما يصل إلى 500,000 بوابة منطقية. وقارنوا أداء النظام بأفضل الأساليب الحالية، بما في ذلك تلك التي يديرها خبراء بشريون وأنظمة التعلم المؤتمتة الأخرى. وأظهرت النتائج أن SKILL أنتج باستمرار نتائج أفضل، حيث حسن التوازن بين الطاقة والسرعة والحجم المادي بنسبة متوسطة قدرها 12.4 بالمائة مقارنة بالتدفقات المصممة من قبل الخبراء. وهذا التحسن يعد أمرًا هامًا في عالم تصميم الرقائق، حيث يمكن لنسبة مئوية واحدة أن تعني الفرق بين جهاز يناسب الجيب وآخر يتطلب نظام تبريد. علاوة على ذلك، نجح النظام في تحسين 86.3 بالمائة من التصميمات التي حاولها، مما يدل على مستوى عالٍ من الموثوقية حتى عند التعامل مع الدوائر الأكثر تعقيدًا.
ويعود نجاح SKIL إلى كيفية جسر الفجوة بين التفكير عالي المستوى والتنفيذ منخفض المستوى. فبينما يكافح الذكاء الاصطناعي التقليدي غالبًا لفهم القواعد المحددة لتصميم الرقائق، يمكن لفريق نماذج SKILL تفسير الأهداف المجردة للتصميم وترجمتها إلى إجراءات ملموسة يمكن لأدوات التخليق القيام بها. ويسمح هذا التعاون للنظام بالتعلم من السلوك الفعلي لبرنامج التصميم، بدلاً من مجرد التخمين بناءً على الأنماط. ووجد الباحثون أن إزالة أي من نماذج الذكاء الاصطิติ الثلاثة أو تعطيل ميزة التصحيح الذاتي يؤدي إلى انخفاض ملحوظ في الأداء، مما يثبت أن الجمع بين التخطيط الاستراتيجي، والتحليل التفصيلي، والتغذية الراجعة السريعة ضروري لعمل النظام.
يمثل هذا النهج تحولًا في كيفية بناء أدوات التصميم المؤتمتة. فبدلاً من الاعتماد فقط على الخوارزميات الرياضية للبحث عن الحلول، يدمج SKILL قدرات الاستنتاج لنماذج اللغات الكبيرة مع دقة أدوات الهندسة الصناعية. النظام لا يجد حلاً فحسب، بل يفهم لماذا يعمل الحل وكيفية التعافي عندما لا يعمل. ومن خلال ربط هذه الوكلاء الأذكياء بالتغذية الراجعة الواقعية لبرامج التصميم الاحترافية، نجح الباحثون في إنشاء أداة تتكيف مع التحديات الفريدة لكل شريحة تصممها. ومع استمرار نمو الأنظمة الرقمية في تعقيدها، فإن القدرة على التعلم والاستنتاج والتصحيح الذاتي توفر مسارًا واعدًا للمستقبل، مما يضمن إمكانية بناء رقائق الغد بالكفاءة والموثوقية التي تتطلبها التكنولوجيا الحديثة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.