في عالم الإلكترونيات الحديثة، تعتبر الرحلة من فكرة رقمية إلى شريحة فيزيائية بمثابة ماراثون من القرارات المعقدة. فقبل نقش ترانزستور واحد على السيليكون، يجب على المهندسين التنقل في مشهد شاسع من الإعدادات التي تتحكم في كيفية تنظيم الشريحة، وكيفية تخطيط أسلاكها الداخلية، وكيفية مزامنة إشارات ساعتها. هذه الإعدادات هي بمثابة مقابض الآلة، وهي مترابطة بعمق؛ فتدوير أحدها لتحسين السرعة قد يؤدي بالصدفة إلى تقليص مساحة الشريحة أو التسبب في استهلاك طاقة مفرط. ولأن تشغيل محاكاة كاملة لهذه الإعدادات يستغرق ساعات، لا يمكن للمهندسين ببساطة تجربة كل الاحتمالات، بل يجب عليهم أن يكونوا استراتيجيين، حيث يختارون أي التكوينات سيختبرونها باستخدام الأدوات الأكثر تكلفة وتفصيلاً وأيها سيتجاوزونها. ولعقود من الزمن، اعتمدت هذه العملية على خوارزميات رياضية تعامل تصميم الشريحة كصندوق أسود، تتعلم من كل اختبار ولكنها تنسى الأسباب العميقة وراء فشل أو نجاح إعداد معين بمجرد انتهاء الاختبار.

مؤخراً، دخلت أداة جديدة هذا المجال: نماذج اللغات الكبيرة، وهي نفس نوع الذكاء الاصطناعي الذي يمكنه كتابة القصص أو الإجابة على الأسئلة. وقد أظهرت هذه النماذح قدرة واعدة على اقتراح إعدادات جديدة من خلال قراءة الأدلة التقنية وسجلات التصميم السابقة. ومع ذلك، وجد فريق من الباحثين في جامعة فودان والجامعة الصينية في هونغ كونغ أن مجرد سؤال الذكاء الاصطناعي عن اقتراحات لم يكن كافياً. ففي عملهم الجديد، اكتشفوا أنه لكي تتقن هذه المساعدات الذكية المهمة المعقدة المتمثلة في ضبط الشريحة، فإنها تحتاج إلى طريقة لتذكر ما تعلمته، ليس للحظة فحسب، بل بشكل دائم. لقد بنوا نظاماً يحول عملية الضبط من سلسلة من التخمينات المنعزلة إلى حلقة مغلقة ومستمرة حيث يتم تسجيل كل فشل ونجاح، وتحليله، واستخدامه لتوجيه الخطوة التالية.

قام الباحثون، بقيادة كون لونغ لي وشانغ شانغ ياو، بتطوير نظام أطلقوا عليه اسم StateTune. ولفهم سبب ضرورة ذلك، تخيل طالباً يحاول حل لغز صعب؛ إذا نظر الطالب إلى دليل، ووضع تخميناً، ثم نسي الدليل ونتيجة التخمين فوراً قبل محاولة التخمين التالي، فلن يتعلم النمط أبداً. كانت الطرق السابقة التي تستخدم الذكاء الاصطناعي تعمل تماماً مثل هذا الطالب النسيّ؛ حيث كانوا يطلبون من الذكاء الاصطناعي اقتراح مجموعة جديدة من الإعدادات، ثم يختبرونها، ثم يتخلصون من سياق هذا الاختبار قبل طلب الاقتراح التالي. لم يكن لدى الذكاء الاصطناعي ذاكرة مستمرة للتركيبات التي تسببت في فشل الشريحة أو التي أدت إلى أداء أفضل، وكأن الذكاء الاصطناعي يبدأ من الصفر مع كل سؤال جديد.

يغير StateTune هذا الوضع من خلال منح الذكاء الاصطناعي دفتراً منظماً ودائماً. ففي كل مرة يختبر فيها النظام تكويناً ما، فإنه لا يسجل النتيجة فحسب، بل يحلل سبب حدوث تلك النتيجة. إذا تسبب إعداد معين في خطأ في التوقيت، يكتب النظام قاعدة: "عندما يكون هذا الإعداد مرتفعاً وذلك الإعداد منخفضاً، تفشل الشريحة". والأهم من ذلك، أن النظام مصمم ليكون متشككاً؛ فهو لا يكتب قاعدة في ذاكرته الدائمة بناءً على نتيجة سيئة واحدة، بل ينتظر حتى يرى نمط الفشل نفسه قد تأكد من خلال اثني عشر اختباراً منفصلاً وعالي الجودة على الأقل. وهذا يمنع الذكاء الاصطناعي من التعلم من الحوادث العارضة أو الضجيج. وبمجرد التحقق من القاعدة، يتم تخزينها في ذاكرة محددة النوع يمكن للنظام قراءتها كلما احتاج إلى توليد أفكار جديدة أو تحديد الأفكار التي تستحق الاختبار.

هذه الذاكرة لا تكتفي بتخزين الحقائق فحسب، بل تشكل عملية البحث بنشاط. يستخدم النظام هذه المعرفة المتراكمة لتوجيه وكيل ذكاء اصطناعي يقترح إعدادات جديدة. فإذا كانت الذاكرة تحتوي على قاعدة حول نوع معين من الفشل، فيُطلب من الذكاء الاصطناعي تجنب تلك الإعدادات. وإذا أظهرت الذاكرة أن معياراً معيناً حساس للغاية للتغييرات، يركز الذكاء الاصطناعي انتباهه هناك. ولكن يجب على النظام أيضاً أن يكون حذراً بشأن الموارد؛ فتشغيل اختبار كامل ومفصل لتصميم شريحة هو أمر مكلف ويستغرق وقتاً طويلاً. لذا أضاف الباحثون طبقة ثانية من الذكاء لتقرير أي من الأفكار المقترحة العديدة تستحق هذا الاختبار المكلف. لقد ابتكروا طريقة لتقدير مدى إمكانية تحسين الفكرة الجديدة للتصميم الإجمالي مقارنة بالوقت الذي ستستغرقه في الاختبار، مما يضمن إنفاق ميزانية الوقت المحدودة فقط على المرشحين الأكثر وعداً، بدلاً من إضاعة الوقت في أفكار تبدو جيدة ولكن من غير المرجح أن تحسن النتيجة النهائية.

لاختبار نظامهم، طبق الباحثون StateTune على تدفق تصميم شريحة صناعي حقيقي تستخدمه شركة كادينس (Cadence)، وهي شركة برمجيات كبرى في صناعة أشباه الموصلات. واختبروه على ستة تصميمات مختلفة للشرائح، تتراوح بين معالجات الصور ووحدات التشفير، عبر تقنيتين مختلفتين للتصنيع. وقارنوا StateTune بخمس طرق أخرى، بما في ذلك أدوات التحسين الرياضية القياسية وغيرها من الأساليب المدعومة بالذكاء الاصطناعي. وكانت النتائج واضحة ومتسقة؛ فقد أنتج StateTune أفضل التصميمات النهائية في كل حالة، وحقق توقيتاً أفضل، ومساحة أصغر، واستهلاكاً أقل للطاقة مقارنة بأي من الطرق الأخرى. والأهم من ذلك، أنه وجد توازناً أفضل بشكل عام بين هذه الأهداف المتنافسة، مما خلق مجموعة من الحلول كانت متفوقة على أي شيء يمكن للأنظمة الأخرى العثور عليه.

كما أجرى الباحثون سلسلة من التجارب لفهم سبب عمل نظامهم بهذا الشكل الجيد. فقد أزالوا الذاكرة الدائمة ووجدوا أن أداء النظام انخفض بأكثر من النصف، مما أثبت أن الذاكرة هي الجزء الأكثر أهمية في التصميم، وهي أكثر أهمية بكثير من قدرة الذكاء الاصطناعي على توليد الأفكار بمفرده. كما اختبروا ما سيحدث إذا أزالوا القاعدة التي تتطلب اثني عشر تأكيداً قبل تخزين الدرس؛ وبدون هذا الضمان، بدأ النظام في تراكم قواعد غير صحيحة بناءً على بيانات سيئة، وتأثر أداؤه بشكل كبير. وقد أكد هذا أن قدرة النظام على تصفية الضجيج والاحتفاظ فقط بالمعرفة المتحقق منها كانت أمراً ضرورياً. علاوة على ذلك، أظهروا أن المعرفة المتعلمة من تصميم شريحة واحدة يمكن نقلها للمساعدة في ضبط تصميم آخر، مما يسمح للنظام بالبدء بتقدم بدلاً من البدء من الصفر.

تناولت الدراسة أيضاً مفهوماً خاطئاً شائعاً في هذا المجال، وهو أن مجرد إضافة ذكاء اصطناعي إلى عملية الضبط كافٍ لحل المشكلة. وجد الباحثون أن الذكاء الاصطناعي بدون ذاكرة مهيكلة وبدون طريقة ذكية لتقرير أي الاختبارات يجب إجراؤها، كان أداؤه أسوأ من التخمين العشوائي في بعض الحالات. يحتاج الذكاء الاصطناعي إلى الذاكرة ليتذكر ما تعلمه، ويحتاج إلى استراتيجية ذكية ليعرف متى يثق في تلك الذاكرة. إن النظام الذي بنوه، StateTune، يجمع هذه العناصر في عملية واحدة متماسكة، حيث يعامل ضبط الشريحة ليس كسلسلة من التجارب المنعزلة، بل كرحلة تعلم مستمرة حيث تسترشد كل خطوة بالخطوة التي تليها.

تمتد آثار هذا العمل إلى ما هو أبعد من نوع واحد من الشرائح. فمع ازدياد تعقيد الشرائح وضيق الوقت المتاح لتصميمها، تصبح القدرة على التعلم بكفاءة من كل اختبار أمراً حيوياً. لقد أثبت الباحثون أنه من خلال منح الذكاء الاصطناعي ذاكرة دائمة قائمة على الأدلة، يمكنه التنقل في مساحة واسعة ومعقدة من إعدادات تصميم الشرائح بشكل أكثر فعالية من ذي قبل. لم يجدوا فقط طريقة أفضل لضبط بعض الشرائح المحددة، بل قدموا طريقة جديدة للتفكير في كيفية تفاعل الذكاء الاصطناعي مع الأنظمة الهندسية المعقدة. إن النظام ليس سحراً، ولا يحل المشكلة فوراً، بل هو عملية منضبطة ومنهجية تحترم تكلفة الاختبار وقيمة المعرفة المتحقق منها. ومن خلال تحويل عملية الضبط إلى نظام ذي حالة (stateful) وحلقة مغلقة، قدم الباحثون مخططاً لكيفية مساعدة أدوات الذكاء الاصطناعية المستقبلية للمهندسين في بناء إلكترونيات أفضل وأسرع وأكثر كفاءة. ويقف هذا العمل كدليل واضح على أنه في عالم تصميم الشرائح عالي المخاطر، ليست الأداة الأقوى هي القدرة على التخمين فحسب، بل القدرة على التذكر والتعلم من الماضي.