في عالم تصميم الأجهزة، يمثل التحقق الرسمي (Formal Verification) خطوة أساسية لضمان سلامة الوظائف وعدم حدوث أخطاء في التصميمات المعقدة. ومع تزايد تعقيد تصميمات RTL (Register Transfer Level)، يبرز التحدي الأكبر في كيفية إثبات الخصائص المطلوبة من قبل المستخدم بكفاءة.

لتجاوز هذه العقبة، تم استخدام تقنيات التجريد (Abstraction Techniques) لتقليص تعقيد الأنظمة وتسريع عملية التحقق. إلا أن الطرق التقليدية للتجريد غالباً ما تتطلب جهوداً يدوية ضخمة أو تعتمد على أساليب قائمة على القواعد تفتقر إلى المرونة.

لكن الوضع تغيّر مع ظهور NeuroAbs، إطار عمل جديد يجمع بين الرموز العصبية (Neuro-Symbolic) والتجريد من RTL. يبدأ NeuroAbs بتحليل RTL بمساعدة النماذج اللغوية الضخمة (Large Language Models - LLM) لتحديد الإشارات المناسبة للتجريد. ثم يقوم بدمج التجريد القائم على LLM مع تمثيل RTL الرمزي المبني على شجرة التركيب (AST) لتحسين التوافق بين التجريد المتولد والتحويل المستهدف.

كما يتم التحقق من صحة كل تجريد باستخدام تقنيات حل تنافي النظريات (Satisfiability Modulo Theories - SMT). إذا كان التجريد واسعاً جداً لإثبات ناجح، يقوم NeuroAbs بتطبيق تحسين التجريد القائم على أمثلة مضادة (Counterexample-Guided Abstraction Refinement - CEGAR) لتنقيح النموذج بشكل تكراري.

تجارب عملية أظهرت أن NeuroAbs يُحسن بشكل كبير من كفاءة التحقق من الخصائص عبر مجموعة واسعة من مهام التحقق، مما يفتح آفاقاً جديدة لتطوير تصميمات أجهزة أكثر دقة وكفاءة.