تعتبر HierSVA تطورًا جديدًا في عالم الذكاء الاصطناعي، حيث تجمع بين عدة عناصر رئيسية تعمل على تعزيز عملية التحقق الرسمي للأجهزة. تمثل HierSVA مجموعة متكاملة من الأدوات، تتضمن خط أنابيب للمعالجة، مجموعة بيانات، ومعايير تقييم تتعلق بالتحقق الرسمي من الأجهزة بمساعدة نماذج اللغة الكبيرة (LLMs).

تربط HierSVA-SP بين أداة معالجة RTL (Register Transfer Level) ونموذج LLM في عملية التحقق الرسمي، مما يُنتج مجموعة مرجعية من الإقرارات باستخدام SystemVerilog Assertions (SVA) على مستويات Hierarchical RTL. وعند تطبيق هذا النظام على BaseJump STL، تم الحصول على HierSVA-DS، وهي مجموعة بيانات تضم 342 وحدة، مع بيانات توضيحية عن الهيكلية وعمق من 0 إلى 9، بالإضافة إلى مجموعة عميقة تتضمن 28 زوجًا من الوحدات مع أخطاء محددة بشروط باللغة الطبيعية.

تم تقسيم جودة الإقرارات في HierSVA-B إلى ستة محاور رئيسية تتعلق بالتحقق: صحة التركيب، معدل نجاح إثبات الإقرار، الفراغ، ولاء المواصفة، تغطية الطفرات، وتغطية النواة الرسمية. عند تطبيق HierSVA-B على اثني عشر نموذجًا حديثًا من نماذج اللغة الكبيرة، كانت النتائج مثيرة: حجم صياغة الوحدة بلغ 67.1%، و82.1% من الإقرارات الناتجة أثبتت عدم الانحصار، لكن المجموعات المُنتَجة اكتشفت فقط 70.2% من الأخطاء المدخلة. كما أن الدقة في تحديد الإخفاقات لوحدات RTL غير الصحيحة كانت 0.87، إلا أن 40% من نتائج الأخطاء المتوقعة كانت إيجابية كاذبة، مما أدى إلى تحديد دقة 0.60.

تُظهر هذه النتائج كيف أن استخدام نماذج الذكاء الاصطناعي في عمليات التحقق ليس فقط محتملاً بل يمكن أن يكون معقدًا. بالإضافة إلى ذلك، يُظهر أسلوب التشغيل المُتمكّن تحسينًا في مقاييس الصحة والقوة، ولكن هذه الفوائد تتقلب مع مرور الوقت.

رموز ومكتبات HierSVA متاحة على GitHub، بالإضافة إلى مجموعة البيانات المتاحة على Hugging Face. هذا الابتكار يمكن أن يكون له تأثير كبير على كيفية تصميم وتحقيق أجهزة أكثر كفاءة.

ما رأيكم في قدرة HierSVA على تغيير مشهد التحقق الرسمي للأجهزة؟ شاركونا آراءكم!