في عصر يتسم بتقدم متسارع في تقنيات الذكاء الاصطناعي، تسعى الأبحاث الحالية إلى تحسين عمليات التحقق الرسمي (Formal Verification) في تصميمات البرمجيات. تيسر نماذج اللغات الضخمة (Large Language Models) توليد تأكيدات نظامية (SystemVerilog Assertions) من مواصفات اللغة الطبيعية بطريقة تسهم في تسريع العملية. ومع ذلك، تواجه هذه التقنية تحديات كبيرة تتمثل في الغموض أو عدم اكتمال المواصفات، فضلاً عن وجود تفاصيل معمارية دقيقة في المستوى الانتقالي للسجل (Register Transfer Level).

العديد من المنهجيات الحالية تعد المواصفات والمستويات الانتقالية نصوصًا مفتوحة، مما يضعف الربط بينهما ويؤدي إلى أخطاء دلالية وفشل متكرر في التحقق الرسمي. هنا تأتي أهمية الرسوم البيانية المعرفية (Knowledge Graphs) التي تم بناؤها من تمثيلات وسيطة منظمة (Intermediate Representations) مستخرجة من المواصفات والمستويات الانتقالية، إلى جانب ردود أدوات التحقق الرسمية مثل تشخيصات التركيب وتقارير التغطية.

تربط الرسوم البيانية المعرفية المتطلبات، وهيكل التصميم، والإشارات، والافتراضات، والخصائص بشكل يتيح سياقًا موثوقًا ومؤصلًا للتوليد. من خلال تنفيذ دوائر تحسين متعددة الوكلاء (Multi-Agent Workflow)، يتم استعلام وتحديث هذه الرسوم البيانية لإنتاج تأكيدات نظامية ودفع التحسينات الثلاثة: إصلاح التركيب الموجه بتشخيصات الأداة، تصحيح موجه باستخدام أمثلة مضادة (Counterexamples)، وزيادة الخصائص الموجهة بالتغطية.

أظهرت التقييمات عبر سبعة تصميمات مرجعية أن استرجاع السياق المستند إلى الرسوم البيانية المعرفية يحسن الربط بين المواصفات والمستويات الانتقالية، مما يؤدي إلى إنتاج تأكيدات برمجية قابلة للتجميع مع انخفاض تكاليف إصلاح التركيب. وبالرغم من أن معدلات التغطية الرسمية تراوحت بين 78.5% إلى 99.4%، إلا أن الاعتماد على التصميم يبقى تحديًا، خاصةً مع عمليات التفكير الزمنية والمعادلات الحسابية المعقدة التي لا تزال صعبة على قدرات نماذج اللغات الضخمة الحالية.

إذا كنت تعمل في مجال البرمجة أو الذكاء الاصطناعي، فما رأيك في إمكانيات الرسوم البيانية المعرفية في تعزيز دقة العمليات الرسمية؟ شاركونا آرائكم في التعليقات!