تحقيق الإنجاز في تحويل الأخطاء إلى فرص: تجارب تعليمية مع تمثيلات الدوائر باستخدام نماذج اللغة الكبيرة

في عالم تصميم الدوائر الإلكترونية، تعد البيانات المميزة هي الثروة الحقيقية. ومع ذلك، فإن قيود حقوق الملكية الفكرية (Intellectual Property - IP) والتكاليف المرتبطة بتعليم البيانات تجعل من الصعب الحصول على كميات كبيرة من البيانات المعلّمة المطلوبة. للأسف، معظم الأبحاث حتى الآن تركزت على دوائر صغيرة ذات تسميات منظمة، مما يحد من إمكانية تطبيق هذه الأبحاث على التصاميم الأكثر تعقيدًا.

في هذا السياق، برزت نماذج اللغة الكبيرة (Large Language Models - LLMs) كأداة قوية قادرة على إنشاء رموز تمثيل المستوى الانتقال (Register-Transfer Level - RTL) بكفاءة. لكن، كانت تشوب هذه الرموز أخطاء وظيفية كبيرة، مما حال دون استخدامها في تحليل الدوائر. ومع ذلك، استطاع الباحثون في دراسة جديدة اكتشاف ملاحظة مثيرة: الرموز التي تم إنشاؤها بواسطة نماذج اللغة الكبيرة، حتى وإن كانت تحتوي على أخطاء وظيفية، لا تزال تحتفظ بنمط هيكلي قوي يمكن استغلاله.

استنادًا إلى هذه الرؤية، قام العلماء بتطوير إطار عمل جديد للتدريب والتطوير، يستند إلى تسخير البيانات غير الدقيقة الناتجة عن نموذج اللغة الكبيرة. هذا الإطار يشكل مسارًا متكاملاً من توليد الرمز الآلي إلى المهام اللاحقة، مما يحقق قدرة أكبر على التعلم من تمثيلات الدوائر.

لقد أجريت تقييمات على مجموعة متنوعة من المهام لفهم الأداء الوظيفي للدوائر، بما في ذلك تحديد حدود الدوائر الفرعية وتصنيف المكونات. وأظهرت النتائج أن النماذج المدربة على هذا المحتوى الاصطناعي القابل للخطأ تعمم بشكل جيد على تمثيلات دوائر العالم الحقيقي، حتى أنها تفوقت على الأساليب التقليدية التي تعتمد على مجموعات بيانات ذات جودة عالية.