في خطوة جديدة نحو تطوير الذكاء الاصطناعي في تصميم الدوائر الإلكترونية، تم تقديم HLS-Seek، وهو إطار مبتكر يقوم بتوليد الكود بطريقة مدروسة تركز على جودة النتائج (Quality of Results – QoR). الهدف من هذا الإطار هو تحسين خواص الأداء مثل الكمون واستخدام الموارد، وهو ما يعد تحدياً تقنياً مهماً في عمليات التصميم البرمجي.

تستخدم HLS-Seek تقنيات التعلم المعزز (Reinforcement Learning - RL) لاختيار أفضل الحلول دون الحاجة لرؤية نتائج التصميم المطلقة، بل من خلال مقارنة النتائج بشكل نسبي بين الخيارات المتاحة. هذا التوجه يقلل من التكاليف المرتبطة بالتدريب التقليدي، حيث تحقق HLS-Seek دقة 99.53% في الفوز على القيم الأفضل (Pareto-dominance).

واحدة من الابتكارات المهمة في هذا الإطار هي "التحول المبني على عدم اليقين" (uncertainty-aware Monte Carlo dropout switching)، مما يسمح بتفعيل عمليات التصميم التقليدية فقط للحالات التي تحمل ثقة منخفضة، مما يعزز الأداء الشامل للنموذج. وبفضل هذه الاستراتيجية، تمكن HLS-Seek من تحقيق معدل دقة 81.5% في الصحة التركيبية (syntax correctness) و81.4% في الوظائف على مجموعة تقييم HLS، متفوقاً على نماذج معروفة مثل GPT-5.1.

من المثير للإعجاب أن HLS-Seek يتمتع بسرعة تدريب تفوق 8.5 مرة مقارنة بتقنيات التعلم المعزز التقليدية، مما يفتح آفاق جديدة في مجال تصميم الدوائر الإلكترونية.

إن إدخال HLS-Seek يسلط الضوء على الاتجاه المتزايد لاستخدام الذكاء الاصطناعي في الابتكار التقني، ويطرح أسئلة حول التأثير المستقبلي لهذه التقنيات على الصناعة. ما رأيكم في هذا التطور؟ شاركونا في التعليقات!