في عالم الذكاء الاصطناعي، يوفر التقدم في نماذج اللغة متعددة الوسائط (MLLM) إمكانيات جديدة وغير مسبوقة في مجالات متعددة. ومن بين هذه المجالات، تبرز الدوائر الكهربائية التي تُعتبر تحديًا حقيقيًا لهذه النماذج. يأتي Circuit-MLLM ليُلبي الحاجة المتزايدة لفهم هذه الدوائر بشكل أفضل من خلال تقنيات فريدة وفعالة.

يواجه النموذج تحديًا خاصًا في تحليل تخطيطات الدوائر الكهربائية بسبب كثافة مكوناتها والتعقيد الطوبولوجي الذي يتطلب تحليلًا هيكليًا دقيقًا لاستخلاص المعاني الكهربائية. هنا يأتي دور Circuit-MLLM، الذي يعيد صياغة عملية تحليل الطوبولوجيا الدائرية إلى عملية تتضمن تحديد الموقع، تتبع المسارات، والتفكير المتتابع في الفضاء الكامن.

تتمثل إحدى أبرز ميزات Circuit-MLLM في آلية تعدين المعرفة الدائرية، التي تعمل على مواءمة تمثيلات النموذج الكامنة مع ميزات غنية هيكليًا مستمدة من خبراء رؤية الدوائر متعددة العناصر. مما يمكّن النموذج من استيعاب الدلالات الطوبولوجية بشكل فعال.

علاوة على ذلك، تم تصميم استراتيجية جديدة للتسلسل الموجه حسب الطوبولوجيا، التي تفصل بين التفكير والترتيب الصارم، مما يعزز الاستدلال خطوة بخطوة وفقاً للمنطق الطوبولوجي للدائرة. ومن خلال تنوع المهام في تحليل الدوائر، يثبت Circuit-MLLM أداؤه المتفوق، حيث يحقق متوسط درجات أعلى بنسبة 25% مقارنةً بـGPT-5.1.

إن هذا التطور يمثل خطوة هامة نحو تقييم وتحليل الدوائر الكهربائية بشكل أكثر فاعلية. ولمن يرغب في استكشاف المزيد، يمكن الوصول إلى الكود المصدر على GitHub عبر الرابط: [رابط المشروع على GitHub]. ما رأيكم في هذا التطور؟ شاركونا في التعليقات.