في عالم الذكاء الاصطناعي وتوليد الأكواد، يواجه الباحثون تحديات كبيرة تتعلق بتحقيق الدقة الوظيفية وجودة الأداء (PPA) في توليد RTL (Register Transfer Level) المعتمد على نماذج اللغة الكبيرة (Large Language Models). حتى الآن، كانت معظم الطرق المتبعة تفصل بين الريزليوشن الوظيفي وتحسين الأدء، مما يعني أنه يتم التركيز على الدقة الوظيفية أولاً، قبل النظر في تحسين الأداء.

لكن مع ظهور إطار COEVO، تبدو الأمور مختلفة تماماً. هذا الإطار التعاوني يجمع بين هدفين رئيسيين في حل واحد، مع التركيز على تحسين الدقة الوظيفية وجودة الأداء في آن واحد. من خلال توسيع نطاق الاختبار إلى أبعاد إضافية مثل المنطقة والزمن والطاقة، يقدم COEVO طريقة جديدة لتقييم الأداء بشكل شامل، عبر تقديم درجات دقيقة وتعليقات تشخيصية مفصلة.

تتيح البوابات القابلة للتكيف في الدقة إمكانية توجيه البحث نحو حلول مثالية مشتركة، حتى بين المرشحات التي قد تكون صحيحة جزئياً لكنها واعدة عما يمكن تحقيقه. باستخدام تصنيف باريتو غير المسيطر الرباعي الأبعاد، يتجاوز COEVO فكرة قابلية الوزن الفردي، مما يفتح المجال لفهم أفضل للتجارة بين مختلف الأبعاد.

تم تقييم COEVO على كل من VerilogEval 2.0 و RTLLM 2.0، محققاً نسب نجاح مثيرة للإعجاب تصل إلى 97.5% و94.5% على التوالي، متفوقاً على جميع البدائل السابقة، ليقدم أفضل أداء في 43 من أصل 49 تصميم قابل للتوليد.

مع كل هذه الميزات، يحتل COEVO مكانة بارزة في مجالات الأبحاث المستقبلية، مما يعد بتسريع الابتكار الهندسي في البرمجة والتصميم المعتمد على الذكاء الاصطناعي.