في عالم تصميم الدوائر الإلكترونية، تعتبر التحقق من الوظائف من الخطوات الأساسية لضمان أن التصميمات تعمل كما هو متوقع. تعتمد هذه العملية بشكل كبير على إنتاج تأكيدات (Assertions) عالية الجودة التي تكشف عن الأخطاء في التصميم وتؤكد على موثوقية تصميمات مستوى نقل السجلات (RTL). ومع ذلك، لا تزال الطرق الحالية لاستخراج هذه التأكيدات تعاني من القدرة على إنتاج مجموعات كاملة وموثوقة. فالتجارب العشوائية أو المحدودة غالباً ما تفشل في الكشف عن سلوكيات صعبة الوصول، بينما يؤدي الإنتاج لمرة واحدة إلى عائد محدود فيما يخص التغذية الراجعة حول السلوكيات غير المؤكدة.

تقدم NeuroAssertion، وهو إطار لتوليد التأكيدات مدعوم بالتغطية، مزيجًا ثوريًا من استكشاف الأسباب الرسمية والإنتاج المدعوم بالتوجيه من خلال مبادئ الذكاء الاصطناعي. يقوم الإطار بتحويل الظروف التي يصعب الوصول إليها إلى أهداف قابلة للوصول رسميًا، ويستخدم فحص النموذج (Model Checking) لتوليد تجارب سلوكية متنوعة. من ثم، يتم استخراج التأكيدات الأولية من هذه التجارب باستخدام أسلوب التوليد المدعوم بالتحليل النحوي (Syntax-Guided Synthesis) أو SyGuS.

بعد ذلك، يقوم الإطار بإجراء تحسينات مستهدفة مستوحاة من وكلاء التأكيدات بناءً على التغذية الراجعة من عملية التحقق. إذ يقترح أحد نماذج اللغات الضخمة (Large Language Models) تأكيدات محتملة للمناطق غير المغطاة، وفي حال فشل أحد الاقتراحات في التحقق الرسمي، يقوم نموذج آخر بإنتاج قواعد تصحيحية تقود إلى إنتاج رمزي مضغوط ضمن إجراء تصحيح نيوي.

تظهر النتائج التجريبية أن هذا الإطار يوفر حوالي ضعف عدد التأكيدات ويحقق زيادة بنسبة 200% في تغطية الطفرات (Mutation Coverage) مقارنة بالطرق التقليدية.
هل تعتقد أن هذا التطور سيحدث ثورة في طرق التحقق من تصميمات RTL؟ شاركونا آراءكم في التعليقات!