في عالم تصميم الأجهزة، تعد مشكلة الضرب الثابت (Single Constant Multiplication) واحدة من المهام الأساسية التي تُصنف على أنها صعبة (NP-hard). تستهدف هذه العملية تحليل ثابت معين باستخدام عمليات الجمع، الطرح، وتحويلات البت فقط. ورغم أن طرق البرمجة الديناميكية قد تنتج ترميزات قريبة من الأمثل، إلا أن تكاليف الترميز تبقى مرتفعة بشكل ملحوظ، خاصة عند التعامل مع ثوابت كبيرة.

ومؤخراً، قدم فريق من الباحثين إطار عمل يعتمد على تقنيات الذكاء الاصطناعي يتمثل في نموذج للشبكات العصبية الرسومية (Graph Neural Network). يهدف هذا الإطار إلى تسريع عملية ترميز الضرب الثابت من خلال التعرف على قواعد فعالة لتوجيه اختيار العمليات أثناء عملية التحليل.

تستخدم هذه الطريقة نموذج الشبكات العصبية للتنبؤ بأنواع العمليات الواعدة بناءً على التحليل الثابت، وتستفيد من درجات الثقة الناتجة لتقليص الخيارات غير الجيدة في البحث الرمزي. نتائج التجارب على ثوابت غير معروفة تتراوح من 17 إلى 32 بت، أظهرت تخفيضًا مذهلًا بين واحد إلى اثنين من أوامر الحجم في وقت الترميز، مع تقليص استخدام الذاكرة بأكثر من 97%، وتقليص في التفريع بمقدار أوامر عدة، مع الحفاظ على جودة ترميز قريبة من الأمثل من حيث العمليات.

هذه النتائج تبرز كيف يمكن لاستراتيجيات الرمزية المدعومة بالتعلم أن تعزز بشكل كبير من قابلية التوسع وكفاءة ترميز الضرب الثابت. والملفت أن الكود والبيانات الناتجة عن هذه الأبحاث متاحة للجمهور عبر [https://github.com/Chufeng-Jiang/SCM_MLDP]. كيف ترى إمكانيات الذكاء الاصطناعي في تسريع عمليات التصميم؟ شاركونا آراءكم في التعليقات!