COEVO: الإطار الثوري لتحقيق الدقة الوظيفية وتحسين معايير PPA في توليد RTL المدعوم بالذكاء الاصطناعي

في عالم التكنولوجيا المتطورة، أصبحت طرق توليد الشيفرة RTL المعتمدة على نماذج اللغات الضخمة (Large Language Models) تستهدف بشكل متزايد كل من الدقة الوظيفية وجودة PPA (Performance, Power, Area). إلا أن الأساليب الحالية غالباً ما تفصل بين هذين الهدفين، حيث يتم تحسين جودة PPA فقط بعد تحقيق الدقة الكاملة. يشمل ذلك عمليات معقدة مثل استخدام خطوط أنابيب متعددة الوكلاء (multi-agent pipelines) والبحث التطوري (evolutionary search) مع بوابات دقة ثنائية، مما يؤدي إلى تهميش المرشحات التي قد تكون واعدة من ناحية التصميم ولكنها صحيحة جزئياً.

للتغلب على هذه التحديات، تم تقديم COEVO، وهو إطار تطوري مشترك يجمع بين تحسين الدقة وجودة PPA في حلقة تطورية واحدة. من خلال صياغة الدقة كبعد مشترك للتعاون بجانب المساحة، التأخير، والطاقة، يتم تحقيق تحسن كبير في الأداء. يعتمد COEVO على مجموعة محسنّة من الاختبارات توفر تقييمًا دقيقًا وتعليقات تشخيصية مفصلة.

تستخدم بوابة دقة تكيفية مع الأنيلينغ (annealing) لجعل المرشحات التي تعد واعدة من حيث جودة PPA تقود البحث نحو حلول مثالية مشتركة، بينما يحافظ الإطار على هيكل التبادل الكامل لجودة PPA باستخدام تصنيف غير مهيمن ثلاثي الأبعاد (four-dimensional Pareto-based non-dominated sorting).

اختبار COEVO على VerilogEval 2.0 وRTLLM 2.0 أثبت فعاليته، حيث حقق 97.5% و94.5% من نتائج Pass@1 مع نموذج GPT-5.4-mini، متفوقًا على جميع المعايير الأساسية عبر أربعة نماذج لغوية، بينما حقق أداءً متميزًا في 43 من أصل 49 تصميم قابل للتوليد.

COEVO يمثل خطوة هامة نحو تطوير تقنيات توليد RTL أكثر كفاءة وفعالية، مما يفتح آفاق جديدة لمطوري الدوائر الرقمية في الدمج بين الدقة والجودة.