تقدم في تصميم الشرائح يbringنا أقرب إلى حوسبة الحوافز الاصطناعية

قام باحثون من جامعة برينستون بتطوير تصميمات متوافقة من الأجهزة والبرامج لزيادة سرعة وكفاءة أنظمة الذكاء الاصطناعي المتخصصة.

نافين فيرما هو أستاذ الهندسة الكهربائية والحاسوب في جامعة برينستون ويقود فريق البحث.

“البرمجيات هي جزء حاسم في تمكين الأجهزة الجديدة”، قال فيرما. “الأمل هو أن المصممين يمكنهم الاستمرار في استخدام نفس نظام البرمجيات – وسيعمل عشر مرات أسرع وأكثر كفاءة”.

النظم التي طوّرها الباحثون تقلل من الطاقة المطلوبة وكمية البيانات التي يجب تبادلها مع الخواديم عن بُعد. وبهذا، يمكن أن تتم تطبيقات الذكاء الاصطناعي مثل برامج طيارة الطائرات بدون طيار على حافة بنية الحوسبة.

فيرما هو أيضًا مدير مركز كيلر في جامعة برينستون للابتكار في تعليم الهندسة.

“لجعل الذكاء الاصطناعي متاحًا لعملية الوقت الحقيقي وغالبًا ما تكون شخصية حولنا، нам يجب أن نعالج التأخير والخصوصية عن طريق نقل الحوسبة نفسها إلى الحافة”، قال فيرما. “وهذا يتطلب كفاءة الطاقة والأداء”.

تصميمات شرائح جديدة

فريق برينستون طور تصميم شريحة جديد قبل عامين، وتم تصميمه لتحسين أداء الشبكات العصبية. ويمكن للشريحة أداء عشرات إلى مئات المرات أفضل من الشرائح الأخرى في السوق.

“النقطة الرئيسية للشريحة هي أنها تستخدم بنية غير عادية ومزعجة”، قال فيرما في عام 2018. “يجب أن يتم مصالحتها مع الكم الهائل من البنية وطريقة التصميم التي لدينا اليوم”.

تم تحسين الشريحة على مدار العامين التاليين، وتم إنشاء نظام برمجي لتمكين أنظمة الذكاء الاصطناعي من استخدام التكنولوجيا الجديدة بكفاءة. وكان الفكرة هي أن الشرائح الجديدة يمكن أن تسمح للنظم بأن تكون قابلة للتوسيع في الأجهزة وتنفيذ البرمجيات.

“يمكن برمجة الشبكات عبر جميع هذه الشبكات”، قال فيرما. “الشبكات يمكن أن تكون كبيرة جدًا، ويمكن أن تكون صغيرة جدًا”.

الأفضل سيناريو للحوسبة هو أن يتم إجراؤها على التكنولوجيا نفسها، وليس على جهاز كمبيوتر شبكي عن بُعد. ومع ذلك، هذا يتطلب كميات هائلة من الطاقة وتخزين البيانات، مما يجعل من الصعب تصميم نظام كهذا.

للتغلب على هذه القيود، صمم الباحثون شريحة تقوم بالحوسبة وتخزين البيانات في نفس المنطقة، والتي تسمى الحوسبة في الذاكرة. وتقنية الحوسبة في الذاكرة تقطع الطاقة والزمن اللازمين لتبادل المعلومات مع الذاكرة المخصصة.

للحصول على حول تشغيل التناظر، الذي يتم استخدامه في الحوسبة في الذاكرة وهو حساس للتلف، اعتمد الفريق على المكثفات بدلاً من الترانزستورات في تصميم الشريحة. المكثفات لا تواجه نفس التأثير الناجم عن التغيرات في الجهد، وهي أكثر دقة.

على الرغم من التحديات المختلفة المحيطة بأنظمة التناظر، فإنها تحمل العديد من المزايا عند استخدامها في تطبيقات مثل الشبكات العصبية. والباحثون الآن يبحثون عن الجمع بين أنواع النظامين، حيث أن الأنظمة الرقمية هي المركزية في حين أن الشبكات العصبية التي تعتمد على شرائح التناظر قادرة على تشغيل عمليات متخصصة سريعة وفعالة.