في عالم تصميم الدوائر الإلكترونية، يعتبر استرجاع المعلومات الدقيقة من قواعد البيانات عنصرًا حيويًا. ومع تزايد الحاجة إلى إعادة استخدام الملكية الفكرية (IP)، يواجه الباحثون تحديات كبيرة في البحث عبر تمثيلات متنوعة مثل قوائم الشبكات (SPICE netlists) والمخططات التوضيحية (schematics) والوصف الوظيفي (functional descriptions).

تتجاوز الأساليب الحالية القيود الموجودة في هذه المساحة، حيث تقتصر على المطابقة الدقيقة ضمن نمط واحد فقط، مما يؤدي إلى عدم القدرة على الالتقاط الفعال للعلاقات الدلالية المتقاطعة.

ولكن مع تقديم 'AnalogRetriever'، تمثل هذه الأداة الرائدة إطارًا موحدًا لاسترجاع المعلومات عبر ثلاث وسائط بحث، مما يسمح بتحسين كبير في أداء البحث. بدأ العمل على 'AnalogRetriever' من خلال بناء مجموعة بيانات عالية الجودة مستندة إلى 'Masala-CHAI'، مع اعتماد عملية إصلاح ثنائية المراحل زادت معدل تجميع قوائم الشبكة من 22% إلى 100%.

بنية 'AnalogRetriever' تعتمد على نموذج رؤية-لغة (vision-language model) لتمثيل المخططات والأوصاف، وشبكة تلافيفية لعلاقات الرسوم البيانية (port-aware relational graph convolutional network) لقوائم الشبكة. هذا الجمع يعزز من إمكانية نقل كافة الوسائط الثلاث إلى فضاء مشترك للتضمين عبر تعلم تقابلي مناهجي (curriculum contrastive learning).

تظهر التجارب أن 'AnalogRetriever' يحقق متوسط Recall@1 يصل إلى 75.2% عبر جميع اتجاهات الاسترجاع المتقاطعة الستة، متفوقًا بكثير على القواعد الحالية. وعند دمجه في إطار 'AnalogCoder' كجزء من وحدة استرجاع معززة للتوليد، يؤدي إلى تحسين معدلات النجاح الوظيفي ويتيح إكمال المهام التي كانت تعتبر غير قابلة للحل.

الأكواد الخاصة ب 'AnalogRetriever' ومجموعة البيانات سيتم إصدارها قريبًا، مما يفتح آفاقًا جديدة للبحث والتطوير في تصميم الدوائر التناظرية.