أتمتة توليد الخصائص في تصميم الرقائق: هل يحل الذكاء الاصطناعي محل مهندسي التحقق؟

تحدي الفجوة بين المواصفات والأتمتة

تواجه صناعة أشباه الموصلات تحدياً جوهرياً عند محاولة دمج الذكاء الاصطناعي في تدفقات التصميم الحالية. تكمن المشكلة الأساسية ليس في قدرة النماذج اللغوية الكبيرة (LLMs) على كتابة الأكواد، بل في جودة "المواصفات" (Specifications) التي تُبنى عليها هذه الأكواد. فبينما يمكن للذكاء الاصطناعي توليد تأكيدات لغة SystemVerilog (SVA) في ثوانٍ معدودة، فإن هذه النتائج تعتمد كلياً على دقة المدخلات، والتي غالباً ما تكون في الصناعة الحالية غير مكتملة أو غامضة.

يشير الخبراء إلى أن الهدف الحقيقي للذكاء الاصطناعي لا ينبغي أن يكون مجرد توليد الخصائص (Properties) من مواصفات مكتوبة بلغة طبيعية، بل المساعدة في صياغة مواصفات تقنية أفضل وأكثر دقة. فالمواصفات المكتوبة بالنثر لا يمكن لأدوات التحقق الرسمي (Formal Tools) التعامل معها مباشرة لأنها تفتقر إلى الدقة الرياضية التي تتطلبها هذه الأدوات.

ما الذي يتغير عملياً في دور المهندس؟

من الخطأ الاعتقاد بأن أتمتة توليد الخصائص ستلغي الحاجة إلى مهندسي التحقق المتخصصين. على العكس تماماً، فإن هذا التحول يرفع من سقف المتطلبات المهارية. بدلاً من قضاء الوقت في كتابة التأكيدات يدوياً، سينتقل دور المهندس إلى مرحلة "المراجعة والتحقق من صحة مخرجات الذكاء الاصطناعي".

• التحقق من المنطق: يجب على المهندس التأكد من أن التأكيد المولد يغطي المتطلبات الفعلية وليس مجرد صياغة برمجية صحيحة.
• إدارة التعقيد: مع زيادة تعقيد الأنظمة على الرقاقة (SoC)، تصبح القدرة على تفسير نتائج أدوات التحقق الرسمي أمراً حيوياً.
• مواجهة الغموض: الذكاء الاصطناعي قد لا يمتلك القدرة على تحديد التناقضات في المواصفات، مما يضع عبء كشف هذه الثغرات على عاتق المهندس البشري.

المخاطر التقنية: فخ "التأكيدات الفارغة"

أحد أخطر التحديات التي تواجه استخدام الذكاء الاصطناعي في هذا المجال هو ما يُعرف بـ "التأكيدات الفارغة" (Vacuous Assertions). وهي تأكيدات تبدو صحيحة برمجياً وتجتاز اختبارات أدوات التحقق، لكنها في الواقع لا تتحقق من أي سلوك حقيقي في التصميم، لأن شروطها تتحقق دائماً بشكل تلقائي بغض النظر عن أداء الرقاقة.

هذا النوع من الأخطاء قد يؤدي إلى ثقة زائفة في سلامة التصميم، مما يسبب تكاليف باهظة عند اكتشاف العيوب في مراحل متأخرة، سواء من حيث استهلاك وقت أدوات التحقق أو وقت المهندسين في تصحيح الأخطاء (Debugging).

نحو منهجية أكثر موثوقية

للانتقال من مرحلة التجارب إلى التطبيق الصناعي المستقر، يقترح الخبراء عدة مسارات:

• استخدام تقنية RAG: تعزيز نماذج الذكاء الاصطناعي بتقنية "التوليد المعزز بالاسترجاع" (Retrieval-Augmented Generation) لربطها بقواعد معرفية متخصصة تتضمن قواعد التصميم والأنماط المثبتة، بدلاً من الاعتماد فقط على ما تعلمه النموذج أثناء التدريب.
• التصميم القائم على المواصفات الرسمية: التوجه نحو كتابة مواصفات تكون "قابلة للقراءة آلياً" (Machine-readable) منذ البداية، مما يقلل الفجوة بين النص البشري والمنطق الرياضي.
• النهج التدريجي: البدء بتطبيق الأتمتة على كتل تصميمية (Blocks) صغيرة ومحدودة ومفهومة جيداً، ومقارنة مخرجات الذكاء الاصطناعي مع النتائج التي يكتبها المهندسون يدوياً قبل التوسع في التصميم الكامل.