Expedera تعرض اقتران نظام فرعي للذكاء الاصطناعي الطرفي مع Cadence

أعلنت Expedera في 9 نوفمبر 2026 أنها أقرنت وحدة معالجة الشبكات العصبية (NPU) من تصميم Origin Evolution مع المعالج المساعد للذكاء الاصطناعي Tensilica NeuroEdge 130 من Cadence، ضمن محاكاة ما قبل تصنيع السيليكون، لتوضح كيفية توزيع وحدتي IP لأشباه الموصلات مهام استدلال الذكاء الاصطناعي وتنفيذها.

وصفت Expedera النتيجة بأنها تكامل مُتحقَّق منه قبل تصنيع السيليكون، لا معيار أداء مقاسًا على سيليكون أحد العملاء. وصُمم النظام الفرعي المدمج لتحسين الأداء وكفاءة استهلاك الطاقة، مع تقليل زمن الاستجابة والتكلفة والتعقيد، لكن الإعلان لم يتضمن قياسات مشتركة لهذه الأهداف. وتستهدف الشركتان تصميمات الاستدلال عبر العقد الطرفية والهواتف الذكية وأنظمة السيارات ومراكز البيانات، كما يمكن توسيع النهج ليشمل معالجات الإشارات الرقمية الأخرى من Tensilica.

وقال شاراد تشول، كبير العلماء في Expedera، إن النماذج تعمل على النظام الفرعي المدمج، وإن سير عمل الذكاء الاصطناعي الوكيلي يساعد الشركة على تقديم وحدات IP مخصصة بوتيرة أسرع، ما يمنح العملاء «مسارًا أسرع وأقل مخاطرة نحو إنتاج حلول ذكاء اصطناعي طرفية مصممة لتلبية متطلباتهم من الأداء واستهلاك الطاقة».

كيف يوزّع المعالج المساعد ووحدة NPU المهام

وقال أمول بوركار، مدير مجموعة إدارة المنتجات والتسويق في مجموعة Tensilica Products Group التابعة لـCadence، إن المعالج المساعد يدعم وحدة NPU من Expedera في المعالجة المسبقة والمعالجة اللاحقة واللجوء إلى بدائل لتنفيذ العمليات، فيما ينفذ أيضًا شبكات الذكاء الاصطناعي. وينشئ هذا الترتيب تقسيمًا للعمل داخل النظام الفرعي، بدلًا من إسناد المهام نفسها إلى مسرّعين.

صممت Cadence المعالج المساعد ليعمل إلى جانب وحدات Neo NPU التابعة لها، أو وحدات NPU التي يطورها العملاء، أو وحدات IP لوحدات NPU من جهات خارجية؛ ويشكل اقترانه مع Expedera مثالًا ملموسًا على الخيار الثالث. وتشرح وثائق المنتج بنية قائمة على Xtensa تستخدم تقنيتي كلمة التعليمات الطويلة جدًا (VLIW) وتعليمة واحدة وبيانات متعددة (SIMD)، إلى جانب تعليمات محسّنة لعمليات مثل sigmoid وtanh وReLU، وهي عمليات لا تلائم وحدات NPU بالقدر نفسه.

يمكن لـNeuroEdge 130 أيضًا إصدار التعليمات والأوامر إلى وحدة NPU بصفته معالج تحكم، ما يضيف قابلية البرمجة للتعامل مع أعباء العمل التي لم تكن متوقعة عند تصميم النظام الفرعي. ويتصل عبر AXI أو واجهة النقل المباشر ذات النطاق الترددي العالي من Cadence. وتُستخدم حزمة تطوير البرمجيات NeuroWeave، المبنية على حزمة Tensor Virtual Machine، لضبط النماذج وتحسينها ونشرها على وحدات IP للذكاء الاصطناعي من Cadence.

يقسّم Origin Evolution الشبكات العصبية إلى حزم، أو أجزاء متجاورة، ويوجّهها عبر كتل معالجة التغذية الأمامية والانتباه والمتجهات. وتتولى هذه الكتل عمليات وأنواع بيانات ومستويات دقة مختلفة؛ كما تدعم وحدة NPU نماذج اللغة الكبيرة (LLMs) والشبكات العصبية الالتفافية (CNNs) والشبكات العصبية المتكررة (RNNs)، فضلًا عن الطبقات المخصصة أو ذات البنية غير المكشوفة. ويهدف تصميم الحزم هذا إلى تقليل عمليات نقل البيانات الكبيرة من الذاكرة، مع إتاحة تنفيذ أنواع مختلفة من مهام الشبكات ضمن بنية واحدة.

الإطلاقات السابقة توضح ملامح التكامل الجديد

ظهر Origin Evolution لأول مرة في 20 مايو 2025، وكان متاحًا وجاهزًا للإنتاج ومثبتًا على السيليكون في تصميمات إنتاجية لدى العملاء. وتنطبق أرقام الإطلاق على وحدة NPU وحدها: إذ تفيد Expedera بأنها قابلة للتوسع إلى 128 تيرافلوب في نواة واحدة، وإلى بيتافلوب وما فوق عند استخدام أنوية متعددة، كما تقلل عمليات نقل البيانات إلى الذاكرة الخارجية بأكثر من 75% عند تشغيل Llama 3.2 1B وQwen2 1.5B مقارنةً بالحلول البديلة.

وكانت Cadence قد قدمت NeuroEdge 130 في 7 مايو 2025، مع إتاحته عمومًا واستيفائه متطلبات الجاهزية لمعيار ISO 26262 لتطبيقات السيارات. وأفادت Cadence بتحقيق خفض في المساحة يزيد على 30%، وانخفاض في الطاقة الديناميكية واستهلاك الطاقة يتجاوز 20%، مع أداء مماثل لمعالجات Tensilica Vision DSP عند تشغيل شبكات الذكاء الاصطناعي والعمليات. وتقارن هذه الأرقام المعالج المساعد بمعالجات Vision DSP من Cadence؛ ولا تقيس أداء النظام الفرعي الجديد الذي طورته Expedera وCadence.

بالنسبة إلى مصممي الأنظمة على الرقاقة (SoC) الطرفية، يوفر هذا التطور مسار تكامل جرى التحقق منه بين عائلتين قائمتين من وحدات IP: تسريع Expedera المعتمد على الحزم، وقدرات Cadence القابلة للبرمجة على معالجة العمليات المحيطة وأعباء العمل غير المتوقعة. ويعالج ذلك مفاضلة عملية في الاستدلال الطرفي، تتمثل في الموازنة بين التسريع المتخصص للعمليات الحسابية المكثفة في الشبكات وبين توفير قدر كافٍ من قابلية البرمجة لاستيعاب النماذج المتغيرة، ضمن نظام فرعي يمكن تهيئته لأهداف مختلفة للأداء واستهلاك الطاقة.