تصور کنید تراشه‌های سخت‌افزاری دیگر توسط انسان‌ها، بلکه توسط ارتشی از عامل‌های هوشمند بهینه شوند. اگر هنوز به ابزارهای سنتی سنتز منطقی تکیه می‌کنید، احتمالاً در حال از دست دادن رقابت برای بهره‌وری سیلیکون هستید.
در ۳۰ آوریل ۲۰۲۶، پژوهشگران چارچوب متن‌باز MappingEvolve را معرفی کردند؛ سیستمی که از مدل زبانی بزرگ (Large Language Model - LLM) برای تکامل مستقیم کدهای نقشه‌برداری فناوری (Technology Mapping) استفاده می‌کند. به نقل از مقاله منتشر شده در arxiv.org، این سیستم از تولید ساده‌ی اسکریپت فراتر رفته و مستقیماً روی بهبود الگوریتم‌های هسته‌ای تمرکز می‌کند.
این ابزار فرآیند نقشه‌برداری را به عملگرهای بهینه‌سازی مجزا تقسیم کرده و آن‌ها را از طریق یک معماری عامل‌محور (Agentic) سلسله‌مراتبی مدیریت می‌کند. این ساختار شامل سه نقش تخصصی است:
- برنامه‌ریز (Planner): استراتژی مسیر تکامل را طراحی می‌کند.
- تکامل‌دهنده (Evolver): تغییرات کد را اجرا می‌کند.
- ارزیاب (Evaluator): عملکرد کد تکامل‌یافته را می‌سنجد.
طبق اعلام این تیم، این رویکرد ساختاریافته اجازه می‌دهد تا سیستم توازن پیچیده‌ی «مساحت-تأخیر» (Area-delay trade-off) را بسیار مؤثرتر از روش‌های سنتی مدیریت کند. در آزمایش‌های انجام شده روی بنچمارک‌های EPFL، مدل MappingEvolve توانست مساحت تراشه را در مقایسه با ABC حدود ۱۰.۰۴٪ و در مقایسه با mockturtle حدود ۷.۹۳٪ کاهش دهد. همچنین، بهبود خیره‌کننده‌ای بین ۴۶.۶٪ تا ۹۶.۰٪ در شاخص $S_{overall}$ نسبت به این دو رقیب ثبت شده است.
همان‌طور که در تحلیل قبلی ما درباره‌ی DUAL-BLADE و کاهش تأخیر استنتاج در لبه اشاره کردیم، روند بهینه‌سازی سخت‌افزار توسط AI در حال شتاب گرفتن است. MappingEvolve نشان می‌دهد که هوش مصنوعی زاینده (Generative AI) اکنون می‌تواند سخت‌افزاری را که قرار است روی آن اجرا شود، بهینه‌تر کند.
با بازنویسی قواعد سنتز منطقی (Logic Synthesis) توسط مدل‌های زبانی، صنعت اکنون با این پرسش مواجه است: آیا اکتشافات انسانی (Heuristics) هنوز در رقابت برای بهره‌وری سیلیکون جایگاهی دارند؟
اما این تنها بخشی از داستان است؛ تأثیر این رویکرد بر مصرف انرژی تراشه‌ها در گزارش بعدی ما بررسی خواهد شد.
گام بعدی شما
- بررسی مخزن متن‌باز MappingEvolve برای تست روی طرح‌های منطقی خود.
- مقایسه نتایج خروجی این ابزار با ابزارهای سنتی مانند ABC در پروژه‌های کوچک.
- مطالعه‌ی معماری عامل‌های سلسله‌مراته برای پیاده‌سازی در سایر بخش‌های طراحی EDA.
گفتگو