تطلق Weebit Nano برنامجًا بحثيًا لحوسبة الذكاء الاصطناعي داخل الذاكرة باستخدام ReRAM المصفوفية

أطلقت Weebit Nano برنامج Weebit Matrix البحثي للحوسبة داخل الذاكرة، موفّرةً للباحثين الأكاديميين والصناعيين إمكانية الوصول إلى عتاد ReRAM لاختبار طريقة مختلفة لتنفيذ حسابات الذكاء الاصطناعي: إجراؤها في موضع تخزين البيانات.

يوفر البرنامج أطقمًا بحثية قائمة على مصفوفة تقاطعية بحجم 32 × 32، مع دعم عمليات تشمل ضرب المتجهات في المصفوفات، والالتفاف، والشبكات العصبية النبضية. ويستهدف سؤالًا مهمًا في عتاد الذكاء الاصطناعي الطرفي: ما مقدار الطاقة والوقت اللذين يمكن توفيرهما من خلال الحد من عمليات النقل المتكررة بين الذاكرة ومعالج منفصل؟

هذا إطلاق لمنصة بحثية، وليس لمسرّع تجاري مكتمل للذكاء الاصطناعي. وتقول Weebit إن تحديات تقنية لا تزال قائمة قبل أن يصل حل للحوسبة داخل الذاكرة إلى السوق التجارية. ويتمثل الهدف الفوري في تمكين الباحثين من الانتقال من النماذج والمحاكاة إلى إجراء التجارب على عتاد ReRAM فعلي.

لماذا تُجرى الحسابات داخل الذاكرة؟

تتطلب عملية الاستدلال في الشبكات العصبية دمج المدخلات مرارًا مع أوزان النموذج المخزنة. وفي البنية التقليدية، قد يستهلك نقل هذه القيم عبر التسلسل الهرمي للذاكرة قدرًا كبيرًا من النطاق الترددي والطاقة. وتسعى الحوسبة داخل الذاكرة، أو IMC، إلى تنفيذ بعض هذه العمليات داخل مصفوفة الذاكرة نفسها.

تخزّن ذاكرة الوصول العشوائي المقاومة، أو ReRAM، المعلومات باستخدام مقاومة كهربائية قابلة للبرمجة. وتحتوي خلايا Weebit القائمة على الأكاسيد على طبقة تبديل بين قطبين؛ إذ تغيّر الفولتية المطبقة المسار الموصّل، ومن ثم مقاومة الخلية. وتظل الحالة المخزنة محفوظة من دون طاقة مستمرة، ما يجعل ReRAM ذاكرة غير متطايرة.

في أبحاث الحوسبة التناظرية، يمكن لهذه الخصائص الكهربائية أن تؤدي دورًا يتجاوز تخزين البتات. إذ يمكن لمصفوفة أن ترمّز الأوزان في خلايا ذاكرتها، وأن تستخدم الاستجابات الكهربائية الناتجة للمساهمة في إجراء الحسابات. ويربط ذلك السلوك الفيزيائي للذاكرة بعمليات الضرب والتجميع المستخدمة في الشبكات العصبية.

يكتسب هذا الهدف أهمية خاصة للأجهزة ذات قيود صارمة على الطاقة والحرارة، بما فيها المستشعرات والمعدات الصناعية وغيرها من الأنظمة الطرفية. لكنه لا يعني أن كل جزء من نموذج الذكاء الاصطناعي يُنفّذ داخل المصفوفة، ولا أن نقل البيانات يختفي من النظام الكامل.

ما الذي تتضمنه الأطقم البحثية Matrix؟

تطرح Weebit في البداية حزمتين:

• حزمة Matrix IMC للتقييم: لوحة تقييم تتيح الوصول المباشر، للباحثين الراغبين في الوصول إلى العتاد عن قرب.
• حزمة Matrix IMC للبدء السريع: لوحة IMC متكاملة، ونظام فرعي قائم على FPGA، ورمز برمجي نموذجي.

تتضمن كلتا الحزمتين عينات رقائق مغلّفة، ووثائق، ولوحة IMC مزودة بمقبس. وتوفر المصفوفة التقاطعية بحجم 32 × 32 منصة مضبوطة لدراسة أساليب البرمجة وخوارزميات الذكاء الاصطناعي والبنى العصبية المستوحاة من الدماغ، بما فيها الشبكات العصبية النبضية.

يتيح النظام الفرعي القائم على FPGA في خيار البدء السريع للباحثين استخدام عتاد رقمي قابل للبرمجة إلى جانب مصفوفة الذاكرة. ويفيد ذلك في استكشاف الأنظمة الهجينة التي تعمل فيها العمليات القائمة على الذاكرة بالتوازي مع المعالجة التقليدية، بدلًا من محاولة استبدال مسار الحوسبة بأكمله.

سيشارك المشاركون Weebit النتائج والملاحظات المتعلقة بـ ReRAM. وتقول الشركة إن هذا التعاون يهدف إلى تحسين التقنية والإسهام في توجيه الجهود البحثية الأوسع نطاقًا. ولا يفصح الإعلان عن أسعار الأطقم، أو عدد المشاريع المقبولة، أو موعد تسليم مسرّع تجاري.

وضع ادعاء خفض استهلاك الطاقة بمقدار 80× في سياقه

يقدم ملخص البحث المرتبط تفاصيل مهمة تدعم ادعاءات Weebit بشأن الأداء. وقد قيّمت شركة أمريكية لم يُكشف عن اسمها، تعمل على عتاد للذكاء الاصطناعي مقاوم للإشعاع، بنيةً للحوسبة داخل الذاكرة ضمن مهمة لتصنيف الصور باستخدام شبكة عصبية التفافية مخصصة.

استخدمت المقارنة وحدة معالجة الرسوميات NVIDIA GeForce RTX 4090 ومنصة FPGA من طراز Xilinx ZCU104. واستُقرئت نتائج نظام الحوسبة داخل الذاكرة على مستوى النظام من خلال نمذجة التطبيقات استنادًا إلى قياسات مأخوذة من مصفوفة ReRAM من Weebit.

بالنسبة إلى عبء العمل هذا، قدّر التحليل أن استهلاك الطاقة أقل بنحو 80 مرة من تنفيذ المهمة على وحدة معالجة الرسوميات، وأقل بنحو 13 مرة من تنفيذه على FPGA. ويذكر بيان الإطلاق، على نحو منفصل، انخفاضًا في زمن الاستجابة يقارب 100 ضعف. وهذه توقعات خاصة بعبء عمل معين، وليست قياسات خضعت لتحقق مستقل تثبت تفوق مسرّع Matrix تجاري متكامل على وحدات معالجة الرسوميات في مختلف مهام الذكاء الاصطناعي.

ويشكّل هذا التمييز محورًا أساسيًا للبرنامج البحثي. إذ ينبغي أن تفضي النتائج المفيدة على مستوى المصفوفة إلى نظام متكامل يحافظ على دقة النموذج، مع احتساب عمليات التحكم وتحويل البيانات والاتصالات وغيرها من العمليات المساندة. وهذه الوظائف المحيطة تستهلك الطاقة أيضًا وتزيد زمن الاستجابة.

يمكن لتجارب العتاد أن تكشف ما لا تظهره المحاكاة

يشير الرئيس التنفيذي لشركة Weebit، Coby Hanoch، إلى تعاون سابق مع CEA-Leti، شمل عرضًا توضيحيًا لشبكة عصبية نبضية قائمة على ReRAM في عام 2019. ويواصل Matrix هذا المسار البحثي من خلال إتاحة منصة عتاد محددة لمزيد من الباحثين المؤهلين.

قال الباحث في الحوسبة العصبية Kevin D. Johnson، الذي تشمل أعماله الحوسبة غير المتجانسة والحوسبة العصبية، إنه يريد استخدام المنصة للتحقق من النماذج على عتاد فعلي وتقييم الدقة على مستوى النظام وزمن الاستجابة واستهلاك الطاقة. وتشمل اهتماماته الجمع بين ReRAM وتقنيات معالجة أخرى.

يعكس هذا النهج الفرصة العملية المتاحة: تحديد أجزاء أعباء العمل التي تستفيد من الحوسبة المعتمدة على الذاكرة، ثم دمجها مع عتاد آخر عند الاقتضاء. ويتجاوز السؤال البحثي مجرد معرفة ما إذا كانت عملية بعينها فعّالة؛ إذ يشمل أيضًا التحقق مما إذا كان النظام الناتج يحقق أداءً مفيدًا ومتكررًا في التطبيقات.

وتسلط Weebit الضوء أيضًا على تحمّل الإشعاع بوصفه سببًا لدراسة ReRAM للاستخدام في البيئات القاسية. ومع ذلك، تظل ملاءمتها لأي تطبيق محدد في مجال الطيران والفضاء أو الدفاع أو الطب مرتبطة بمتطلبات التصميم الكامل والتحقق من صلاحيته.

العروض التوضيحية وإتاحة الوصول إلى الأبحاث

تعتزم Weebit عرض Matrix IMC في معرض electronica لعام 2026، الذي سيُقام في ميونخ من 10 إلى 13 نوفمبر. وتحدد الشركة موقعها في القاعة C2، الجناح 637، وتنشر على صفحة الفعالية تفاصيل العرض التوضيحي والاجتماعات.

الحزم متاحة للباحثين المؤهلين، وستُقيَّم الطلبات لتحديد مدى توافقها مع محور البرنامج البحثي. وتوفر Weebit نموذجًا للتقدم بمشروع بحثي للراغبين في المشاركة.

تتمثل المساهمة المباشرة لـ Matrix في إتاحة عتاد يمكنه اختبار الافتراضات التي تستند إليها تقنيات الذكاء الاصطناعي المعتمدة على الحوسبة داخل الذاكرة. وفي مجال يسعى إلى خفض تكلفة نقل البيانات، ستتمثل الأدلة القيّمة في مدى تضافر الدقة المقاسة واستهلاك الطاقة وزمن الاستجابة عند تشغيل الباحثين لأعباء عمل فعلية.