Yapay zeka alanında önemli bir gelişme yaşanırken, büyük dil modellerinin (LLM) en ciddi sorunlarından olan halüsinasyon ve bilgi eksiklikleri problemine yönelik yeni bir çözüm ortaya çıktı. Araştırmacılar, tersine çevrilebilir problemler için geliştirdikleri yaklaşımla, LLM'lerin güvenilirliğini önemli ölçüde artırmayı başardı.
Yeni yöntem, bilgi teorisindeki kayıpsız sıkıştırma mantığından ilham alıyor. Sistem, LLM'leri önce kaynak alandan hedef alana kodlayıcı olarak, sonra tekrar kaynak alana geri dönen kod çözücü olarak kullanıyor. Bu çift yönlü yaklaşım, bilginin kayıpsız bir şekilde transfer edilmesini sağlıyor.
Araştırma ekibi, yöntemlerini donanım mantık tasarımı alanında test etti. Logic Condition Tables (LCT) adı verilen tablolardan Hardware Description Language (HDL) koduna dönüştürme işleminde sistem denenirken, iki boyutlu network-on-chip yönlendiricisi için kapsamlı bir test gerçekleştirildi.
Yedi farklı LLM kullanılarak yapılan deneylerde, 13 birimden oluşan ve 1500-2000 satır kod içeren tam HDL üretimi başarıyla gerçekleştirildi. Sistemin doğruluğunu test etmek için, üretilen HDL kodu tekrar LCT formatına dönüştürüldü ve orijinal verilerle karşılaştırıldı.
Bu yaklaşım, sadece LLM'lerin ürettiği doğru mantık kodlarını onaylamakla kalmıyor, aynı zamanda hatalı üretimleri de tespit ediyor. Böylece geliştiriciler için hem doğrulama hem de hata tespiti konusunda önemli bir araç haline geliyor. Araştırma, LLM'lerin endüstriyel uygulamalarda güvenli kullanımı için umut verici bir yol açıyor.