مجموعة بيانات مرجعية قائمة على الرسوم لتقسيم قوائم الاتصالات في الدارات المطبوعة

لماذا يهم تفكيك مخططات الدارات

كل جهاز إلكتروني تملكه، من ساعة ذكية إلى ثلاجتك الذكية، يعتمد على لوحات الدارات المطبوعة (PCBs) — الصفائح الخضراء المملوءة بالمكونات الصغيرة ومسارات النحاس. عندما يحتاج المهندسون أو محللو الأمن إلى فهم كيفية عمل لوحة أو فحصها بحثًا عن نقاط ضعف أو تلاعب، عليهم أولاً تحويل وصف الأسلاك منخفض المستوى، المسمى قوائم الاتصالات (netlist)، إلى كتل وظيفية ذات معنى مثل مزودات الطاقة، المرشحات، أو وحدات الاتصال. تقدم هذه الورقة BenchPCNP، أول مجموعة بيانات مرجعية واسعة ومفتوحة تساعد الباحثين على تدريب ومقارنة طرق الذكاء الاصطناعي الحديثة لتقسيم قوائم الاتصالات المعقدة في لوحات الدارات إلى مثل هذه الوحدات المفهومة تلقائيًا.

من قوائم أسلاك فوضوية إلى كتل بنائية ذات معنى

قائمة الاتصالات للوحة الدارة هي في جوهرها قائمة طويلة قابلة للقراءة آليًا تصف أي أطراف المكونات متصلة ببعضها. بمفردها تشبه وجود كل تقاطع شارعي في مدينة مكتوبًا، لكن دون خريطة للمدينة. يعالج تقسيم قوائم الاتصالات هذه المشكلة عن طريق تجميع المكونات في دوائر فرعية وظيفية — محولًا تلك القائمة المربكة إلى وحدات قابلة للتعرّف مثل “مدخل الطاقة” أو “مرشح الإشارة” أو “مُشغّل LED”. هذا أمر حاسم في أتمتة تصميم الإلكترونيات، حيث يريد المهندسون أدوات قادرة على إعادة تنظيم أو تصحيح أو إعادة تصميم الدارات بسرعة، وكذلك في الهندسة العكسية، حيث يجب على الفرق تحليل لوحات طرف ثالث لفحوصات الأمن وحماية الملكية الفكرية.

لماذا هناك حاجة لبيانات جديدة لأدوات أذكى

تعد التقدمات الأخيرة في الذكاء الاصطناعي، وخصوصًا في شبكات الأعصاب الرسومية المصممة للاستدلال عبر بيانات مترابطة، بوعد بتحسينات كبيرة في طريقة فهمنا الآلي للدارات. ومع ذلك، أعاق التقدم نقص مجموعات بيانات مشتركة عالية الجودة وبملصقات أرضية موثوقة. استخدمت الدراسات السابقة مجموعات صغيرة أو خاصة من قوائم الاتصالات، مما صعّب مقارنة الأساليب أو تكرار النتائج. تتعامل BenchPCNP مباشرة مع هذه الثغرة بجمع 50 تصميم لوحة حقيقية وتم التحقق من إنتاجيتها، ووضع علامات دقيقة على كيفية تقسيم كل دارة إلى وحدات وظيفية، مما ينشئ ساحة اختبار مشتركة للمجتمع البحثي.

كيف بُنيت مجموعة البيانات من تصميمات العالم الحقيقي

حصل المؤلفون على مشاريع لوحات دارات تاريخية من بيت تصميم محترف، لضمان أن الدارات واقعية وعملت بالفعل في التطبيق العملي. لكل تصميم، أخذوا ملف قائمة الاتصالات الرئيسي بصيغة Protel 2 القياسية وقوائم الاتصالات الفرعية المرتبطة التي تعكس تقسيم الوحدات المقصود من المصمم، استنادًا إلى دليل صناعي معروف باسم IPC-2612. لحماية الأسرار التجارية، أُزيلت الرسومات التخطيطية، لكن قوائم الاتصالات — التي تحتوي على أسماء المكونات والاتصالات الكهربائية — أُبقيت. راجع خمسة مصممين متمرسين جميع الملفات، ثم قسّموا كل دارة كاملة إلى وحدات وظيفية مثل مزود الطاقة، والترشيح، والتحكم في LED، والموصلات، فأنشأوا 54 فئة وحدة متميزة تعكس كيفية إعادة استخدام المهندسين لكتل البناء عبر العديد من المنتجات.

تحويل الدارات إلى رسوم لاستخدامها في التعلم الآلي

لجعل البيانات قابلة للاستخدام لنماذج الذكاء الاصطناعي، ترجم الفريق كل قائمة اتصالات إلى رسم بياني، حيث تمثل العقد المكونات والروابط تمثل الاتصالات الكهربائية. اختزلوا كل مكوّن إلى ثلاث صفات عملية — نوع الجزء (مثل مقاوم أو رقاقة)، شكل الحزمة، وعدد الأطراف الفعلي — ورمّزوا هذه كميزات رقمية بسيطة. تم إنشاء وجهتي اتصال مكملتين. في العرض التقليدي الرسومي، تُوصل المكونات زوجيًا. في عرض الهايبرجراف، يمكن لحافة «هايبر» واحدة ربط العديد من المكونات التي تشترك في نفس الشبكة الكهربائية، مما يلتقط العلاقات متعددة الأطراف بشكل أكثر مباشرة ويقلل الروابط المكررة. كلا العرضين متوفران في ملفات JSON معيارية، مع نصوص برمجية حتى يتمكن باحثون آخرون من إعادة بناء أو توسيع البيانات.

ما تكشفه المجموعة المرجعية عن النماذج الأكثر ذكاءً

باستخدام BenchPCNP، اختبر المؤلفون عدة شبكات عصبية رسومية شائعة ونظيراتها المبنية على الهايبرجراف في مهمة تعيين كل مكوّن إلى وحدته الصحيحة. وجدوا أن النماذج التي تستخدم عرض الهايبرجراف حققت باستمرار دقة ومقاييس F1 أعلى مقارنة بتلك التي تستخدم الرسوم الزوجية فقط، خاصة في وجود شبكات مشتركة كبيرة مثل خطوط الطاقة والأرضي. تظهر مجموعة البيانات أيضًا اختلالات واقعية: الوحدات الشائعة، مثل مزودات الطاقة والمرشحات، تحتوي على مكونات أكثر بكثير من الوحدات النادرة، مثل وصلات تسلسلية خاصة أو محددات التيار. أظهرت التجارب التي زادت تدريجيًا من مقدار بيانات التدريب مكاسب ثابتة في الأداء، مما يشير إلى أن BenchPCNP قابلة للتوسع كساحة اختبار لدراسات مستقبلية أكبر.

ماذا يعني هذا لمستقبل الإلكترونيات والأمن

بعبارة مبسطة، تمنح BenchPCNP الباحثين «مجموعة خرائط» مشتركة وموثوقة لمدن دارات حقيقية، مع تسميات أحياء واضحة، بحيث يمكن لأدوات الذكاء الاصطناعي الجديدة أن تتعلم قراءة وإعادة بناء لوحات الدارات بشكل أكثر موثوقية. من خلال إثبات أن النماذج المبنية على الهايبرجراف تلتقط البنية الحقيقية لروابط الدارات بشكل أفضل، يوجه هذا العمل المطورين نحو أساليب أكثر دقة وكفاءة لاكتشاف الوحدات تلقائيًا. على المدى الطويل، يفترض أن تُسرّع هذه المرجعية تطوير مساعدات تصميم أذكى وأدوات هندسة عكسية أقوى، مما يساعد المهندسين على بناء إلكترونيات أكثر أمانًا واكتشاف مشكلات مخفية في الأجهزة التي تقوم عليها الحياة العصرية.

الاستشهاد: Yang, J., Qiao, K., Chen, J. et al. A Graph-based Benchmark dataset for Printed Circuit Netlist Partitioning. Sci Data 13, 522 (2026). https://doi.org/10.1038/s41597-026-06818-y

الكلمات المفتاحية: لوحات الدارات المطبوعة, شبكات الأعصاب الرسومية, تقسيم قوائم الاتصال, نمذجة الهايبرجراف, أمن الأجهزة