تتقدم صناعة الإلكترونيات بشكل سريع، حيث يُعتبر تصميم الدوائر المتكاملة (Integrated Circuit Design) من أبرز التحديات. يتطلب تخطيط التصميم المعاصر إعداد آلاف المعلمات، مما يجعل أي تغيير بسيط يمكن أن يؤثر على الأداء والطاقة والمساحة بشكل كبير. في هذا السياق، تمثل الأبحاث الأخيرة في نماذج اللغة الضخمة (Large Language Models) فرصة جديدة للتعلم واتخاذ القرار في هذه المهام المعقدة التي تتطلب تحسينًا عالي الأبعاد.

يقدم باحثون من مجال الذكاء الاصطناعي أداة جديدة تُعرف باسم ORFS-agent، والتي تعتمد على نماذج اللغة الضخمة لأتمتة عملية ضبط المعلمات في تدفق تصميم الأجهزة مفتوحة المصدر. تتميز ORFS-agent بقدرتها على استكشاف تكوينات المعلمات بشكل نشط، حيث أظهرت نتائج أفضل مقارنة بأساليب تحسين بايزي التقليدية من حيث كفاءة الموارد ومؤشرات التصميم النهائية.

لقد أظهرت الأداة تحسينًا واضحًا في الأداء عبر ستة اختبارات على نُظم ASAP7 وSKY130HD، حيث قدمت نماذج التفكير (Sonnet 4.6 وKimi K2.5) تحسينات في طول الأسلاك والمتطلبات الزمنية للنظام، مع تحقيق تقدم يصل إلى %2.7 من الأهداف المشتركة، وكل ذلك باستخدام %40 أقل من التكرارات. وتظل الأوزان المفتوحة لـ Kimi K2.5 قريبة جدًا من Sonnet 4.6 مما يُتيح استخدامه بشكل خاص دون الحاجة لمزيد من التخصيص.

علاوة على ذلك، يُمكن لـ ORFS-agent الاستفادة من أدوات استرجاع اختيارية تُسهم في تسريع عملية التقارب الباكر دون التأثير على النتائج النهائية. تُظهر ORFS-agent أيضًا إطار عمل مرن وقابل للتفسير للتعامل مع الأهداف المتعددة والمقيدة، مما يجعلها أداة مهمة في تحسين تصميمات الشرائح العصرية.

جدير بالذكر أن ORFS-agent تعمل بشكل وحدات مستقلة وغير مرتبطة بنموذج معين، مما يعني أنه يمكن توصيلها بأي نموذج لغة ضخم في السوق دون الحاجة لتخصيص إضافي. بالإضافة إلى ذلك، يتضمن البحث تقارير تفصيلية حول المسارات المستندة إلى النقاط الزمنية وملخصات عملية اتخاذ القرار التي تقودها الأداة.

في النهاية، تُعد الأداة ORFS-agent خطوة هامة نحو تحسين تصميم الشرائح اعتمادًا على الذكاء الاصطناعي، مما يفتح آفاقًا جديدة لمهندسي الإلكترونيات والمهتمين بعالم التكنولوجيا.