في عصر يتزايد فيه الطلب على الكفاءة الحاسوبية، أصبحت وحدات معالجة الذكاء الاصطناعي (Neural Processing Units - NPUs) أساسية في بنية الذكاء الاصطناعي الحديثة. ومع ذلك، يتطلب تحقيق الإمكانيات الكاملة لهذه الوحدات تطوير نوى حاسوبية عالية الأداء باستخدام لغات برمجة متخصصة خاصة بالموردين (Domain-Specific Languages - DSLs). وتُعتبر هذه المهمة تحديًا كبيرًا، حيث تتطلب خبرة عميقة في الأجهزة وتكون كثيفة العمل.

بينما أظهرت النماذج اللغوية الكبيرة (Large Language Models - LLMs) واعدتها في توليد الأكواد بشكل عام، واجهت صعوبات كبيرة في مجال وحدات معالجة الذكاء الاصطناعي، نظرًا للقيود الصارمة وندرة بيانات التدريب. أظهرت دراستنا الأولية أن النماذج اللغوية العامة الحديثة تفشل في توليد نوى حاسوبية وظيفية لوحدات Ascend، حيث كانت نسبة النجاح قريبة من الصفر.

لمعالجة هذه التحديات، نقترح إطارًا متكاملاً يسمى AscendKernelGen يعمل على توليد وتقييم نوى وحدات المعالجة. نقدم في هذا الإطار مجموعة بيانات مبتكرة تُدعى Ascend-CoT، التي تتضمن تفكيرًا متسلسلًا مستمدًا من تطبيقات نوى حقيقية، ونموذج KernelGen-LM المعدل ليتناسب مع هذا المجال، والذي يتم تدريبه باستخدام التعلم تحت الإشراف وتعلم التعزيز مع تغذية راجعة من التنفيذ.

علاوة على ذلك، قمنا بتصميم NPUKernelBench، وهو معيار شامل لتقييم التجميع، والدقة، والأداء عبر مستويات التعقيد المختلفة. تظهر النتائج التجريبية أن approach الخاص بنا يسد الفجوة بين النماذج اللغوية العامة والترميز الخاص بالأجهزة بشكل ملحوظ. حيث زادت نسبة نجاح التجميع للنوى المعقدة من 0% إلى 95.5%، بينما حققت الدقة الوظيفية 64.3% مقارنةً بفشل القاعدة السابقة كاملة. هذه النتائج تسلط الضوء على الدور الحيوي للتفكير المبني على المجال والتقييم الدقيق في أتمتة توليد الكود المدرك للمسرعات.

يُعتبر AscendKernGen خطوة رائدة في تحسين القدرة التنافسية لوحدات معالجة الذكاء الاصطناعي، وهو متاح على الرابطين التاليين: [Hugging Face](https://huggingface.co/AscendKernelGen) و[GitHub](https://github.com/weich97/NPUKernelBench).