AutoVSR: إطار ذكاء اصطناعي يربط المخططات الدائرية بالتعبيرات الرمزية مع التحقق أولاً

تحدي الاستدلال البصري الرمزي في تصميم الدوائر

الدوائر المتكاملة في كل مكان، معالجة الإشارات، إدارة الطاقة، وما شابه ذلك. يستخدم المهندسون التحليل الرمزي لمعرفة كيفية تصرف الدائرة قبل بنائها فعلياً. الخطوة الأولى هي تحويل صورة المخطط الدائري إلى شيء يمكن للكمبيوتر العمل معه: دالة نقل أو بعض التعبيرات الرمزية الأخرى. وهذا يعني أن النظام يجب أن يتعرف على المكونات ووصلاتها من الصورة، ثم يقوم بعدة خطوات من الجبر بشكل صحيح. حتى الآن، كانت هذه مهمة يدوية، وكانت الأخطاء شائعة.

فتحت نماذج اللغة الكبيرة متعددة الوسائط إمكانيات جديدة لمهام الدوائر، لكن معظم العمل حتى الآن ركز على استعادة قوائم التوصيل أو تحسين المعلمات، وليس توليد تعبيرات رمزية من المخططات. أحد الأنظمة المسماة CircuitSense حاول فعل ذلك باستخدام الاستدعاء المتسلسل للأفكار، لكن لم تكن لديه طريقة للتحقق من عمله الوسيط. تراكمت الأخطاء، وكانت الدقة على الدوائر المعقدة ضعيفة.

AutoVSR: بنية منظمة مع تغذية راجعة للتحقق

يتبع AutoVSR، الموصوف في بحث أولي حديث والمقدم إلى مؤتمر ICML، نهجاً مختلفاً. فهو يقسم المشكلة إلى مرحلتين. أولاً، بدلاً من مطالبة النموذج بالاستدلال مباشرة من البكسلات إلى الجبر، يقوم بإعادة بناء المخطط الدائري إلى ما يسمى تمثيلاً وسيطاً قابلاً للتنفيذ. بالنسبة للدوائر على مستوى المكونات، يعني ذلك قائمة توصيل شبيهة بـ SPICE؛ أما بالنسبة لمخططات الكتل على مستوى النظام، فهو رسم بياني لتدفق الإشارة منظم بتنسيق JSON. هذا ليس مجرد وصف بالكلمات، بل هو كائن قابل للقراءة آلياً يمكن للحلال الرمزي تشغيله وتحليله.

للتأكد من صحة التمثيل الوسيط، يستخدم AutoVSR حلقة تغذية راجعة للتحقق. يقوم موجه المهام باختيار النوع الصحيح من IR، ثم تقوم وحدة الرؤية بإيجاد المكونات وسحب قواعد الصياغة ذات الصلة فقط، دون أي فوضى إضافية. تتبع ذلك خطوة تحقق من أربع مراحل: تحليل الصياغة الثابت، وفحوصات مواصفات الإدخال/الإخراج، وقابلية الحل الهيكلي الديناميكي (التحقق من وجود عقد عائمة أو مصادر مقصورة)، وتقييم الكمية الرمزية (محاولة اشتقاق التعبير الهدف). إذا وجد النظام أخطاء، يُسمح بما يصل إلى ثلاث جولات من التصحيح؛ حيث يرسل تغذية راجعة منظمة إلى VLM لإعادة توليد IR. هذا الفحص المكون من مرحلتين يمنع الأخطاء المحلية من التحول إلى فشل عالمي في الاستدلال.

فصل التخطيط عن التنفيذ

المرحلة الثانية تستخدم وكيل استدلال رمزي للتخطيط والتنفيذ. بدلاً من جعل VLM يقوم بجبر متعدد الخطوات، وهو ما لا تجيده نماذج LLM، يقوم النظام بتسليم بناء المعادلات والحساب إلى 28 واجهة برمجة تطبيقات رمزية حتمية مبنية على Lcapy وSymPy، مع صيغة كسب ميسون لتدفق الإشارة. يقوم LLM بتقسيم هدف التحليل إلى خطوات ذرية، ثم يقود حلقة عمل وملاحظة حيث تعيد كل استدعاء أداة نتائج وسيطة منظمة وقابلة للتحقق. حد أقصى صارم يبلغ 20 خطوة يمنع الحلقات اللانهائية.

هذا الفصل أمر بالغ الأهمية، كما يكتب المؤلفون في البحث. من خلال الاعتماد على حلول حتمية، يخفف AutoVSR من تراكم الأخطاء وينتج استدلالاً متسقاً مع القواعد مع نتائج وسيطة شفافة.

المعيار والنتائج: التغلب على كل من نماذج VLM والطرق المتخصصة

اختبر الباحثون AutoVSR على معيار مُرشّح يتكون من 5,020 عينة من CircuitSense، تغطي خمسة أنواع من الدوائر: شبكات المقاومة النقية (النوع 1، 1,146 عينة)، دوائر RLC (النوع 2، 2,671)، نماذج الإشارة الصغيرة (النوع 3، 464)، دوائر على مستوى الوحدات (النوع 4، 511)، ومخططات الكتل على مستوى النظام (النوع 5، 228). المهمة: توليد تعبيرات دالة نقل صحيحة، مما يعني أن المخرجات الرمزية يجب أن تكون متكافئة، ويتم التحقق منها بواسطة SymPy وبديل عددي.

مقارنة بسبعة نماذج VLM شاملة، بما في ذلك Gemini-3-Flash وGPT-5-mini وClaude-Haiku-4.5 وQwen3-VL-Plus وLlama-4-17B-128E وGLM-4.6V-Flash، قام AutoVSR بتحسين الدقة بمقدار 30 إلى 59 نقطة مئوية بشكل عام. في الدوائر البسيطة من النوع 1 والنوع 2، كانت المكاسب حادة بشكل خاص: 66% و64% في المتوسط عبر النماذج. في تدفق الإشارة على مستوى النظام من النوع 5 مع حلقات التغذية الراجعة المتداخلة، قفزت الدقة من 11.8% إلى 41.7%، بزيادة تقارب 30 نقطة مئوية.

بالمقارنة مع CircuitSense، الطريقة المتخصصة الوحيدة الأخرى المتاحة، قام AutoVSR بتحسين دقة توليد دالة النقل بمقدار 42 إلى 52 نقطة مئوية عبر النماذج. في المهمة الأكثر صعوبة المتمثلة في تعبير الاستجابة العابرة، الاستدلال في المجال الزمني، رفع AutoVSR الدقة من 3.1% إلى 85.8% باستخدام Gemini-3-Flash، ومن 1% إلى 63.3% باستخدام GLM-4.6V-Flash. هذه زيادة مطلقة قدرها 83 و62 نقطة مئوية، على التوالي.

الدراسات الإقصائية والكفاءة: كل وحدة مهمة

أكدت الدراسات الإقصائية أن كل مكون مهم: موجه المهام، اكتشاف المكونات، مكتبة القواعد، تدفق التحقق، وحدة التخطيط، ومكتبة الأدوات. إزالة أي وحدة واحدة يؤدي إلى انخفاض الأداء. الجزء الأكثر أهمية كان مكتبة الأدوات: بدونها، انخفضت الدقة على Gemini-3-Flash من 82.9% إلى 20.5%.

أظهرت اختبارات الكفاءة العملية على 100 حالة ممثلة أن AutoVSR مع محرك خلفي خفيف مثل Gemini-3-Flash حقق دقة 89.3% باستخدام 4,563 رمزاً فقط و17 ثانية من وقت التشغيل. هذا يتفوق على النماذج الحدودية مثل GPT-5 (دقة 45.6%، 7,152 رمزاً، 148 ثانية) وClaude-Sonnet-4.5 (دقة 26.2%، 7,033 رمزاً، 89.5 ثانية).

آثار على الهندسة المدعومة بالذكاء الاصطناعي

يظهر AutoVSR طريقة لتجاوز الاستدلال الصندوق الأسود للمجالات التقنية التي تحتاج إلى الصحة وقابلية التفسير. من خلال فرض خطوة وسيطة قابلة للتحقق وتفريغ الحساب الرمزي لأدوات حتمية، يحول الإطار VLM القابل للخطأ إلى وكيل استدلال موثوق، حتى مع المحركات الخلفية الصغيرة مفتوحة المصدر. النهج غير مرتبط بالمهمة في مرحلته الأولى: IR القابل للتنفيذ يعطي تمثيلاً هيكلياً يمكن للحلال إعادة استخدامه لأهداف تحليلية مختلفة.

يعترف البحث ببعض القيود. يعمل الإطار الحالي مع طبولوجيا الدوائر الثابتة فقط، ولا يمكنه التعامل مع التغييرات الديناميكية أو العناصر غير الخطية. قد يمتد العمل المستقبلي ليشمل الدوائر المختلطة الإشارات وشبكات التغذية الراجعة الأكثر تعقيداً. ومع ذلك، من أجل المهمة المحددة ولكن الحرجة المتمثلة في تحويل المخططات الدائرية إلى تعبيرات رمزية، يمثل AutoVSR خطوة صلبة نحو التصميم العملي المدعوم بالذكاء الاصطناعي.