زيادة فعالية أدوات التحقق الثابت باستخدام نماذج اللغة الكبيرة: دراسة مبتكرة!

في عالم البرمجة الحديث، تعتبر أدوات التحقق الثابت (Static Verification Tools) ضرورية لضمان أداء البرامج الصناعية بشكل سليم وفعّال. رغم ذلك، تتطلب كتابة المواصفات لهذه الأدوات جهداً كبيراً من المطورين، لا سيما تلك التي تعتمد على منطق الفصل (Separation Logic) مثل أداة VeriFast، التي تتميز بقدرتها على التحقق من البرامج التي تعدل الذاكرة.

تتعلق المشكلة بكتابة مواصفات معقدة لدعم عملية التحقق، ولذلك تطور اهتمام الباحثين في استخدام نماذج اللغة الكبيرة (Large Language Models) لتوليد تلك المواصفات. وفي هذا السياق، طور فريق من الباحثين أساليب جديدة لدراسة أداء هذه النماذج عند توليد مواصفات لنحو 303 دالة بلغة C باستخدام أداة VeriFast.

تم تنفيذ الدراسة على مرحلتين، استكشفت فيها تسع طرق لتحفيز النماذج، وعشرة نماذج لغة مختلفة، وثلاثة أنواع من المدخلات. وأظهرت النتائج أن نماذج اللغة الكبرى تحمل سلوكًا وظيفيًا جيدًا في الشيفرة والمواصفات، حيث تجاوزت النسبة 91%. رغم أن النجاح في التحقق كان معتدلًا بنسبة 31.4%، إلا أن استخدام نموذج Gemini 2.5 Pro وكتابة عقود رسمية أدت إلى تحسين ملحوظ في معدلات النجاح.

من المثير للاهتمام أن 94% من الأخطاء المرتبطة بأداء النماذج كانت مرتبطة بعلم المعرفة الخاصة بالأدوات مثل VeriFast، وهذا يدعو إلى تحسينات إضافية في مجال توليد المواصفات.

باختصار، تقدم هذه الدراسة رؤية فريدة حول كيفية تحسين الأداء العام لأدوات التحقق الثابت باستخدام نماذج متطورة، مما يعد بفرص واعدة في تحسين دقة التحقق ورفع كفاءة العمل.