في عالم [التكنولوجيا](/tag/التكنولوجيا) المتطورة، يكمن التحدي في [تحسين أداء](/tag/[تحسين](/tag/تحسين)-[أداء](/tag/أداء)) مشغلات أسيّد (Ascend) لدوائر المعالجة العصبية ([NPU](/tag/npu)) بسبب قلة الموارد المتاحة. حيث تواجه هذه المشغلات ازدواجية متمثلة في ضرورة [تحسين](/tag/تحسين) جانبين مختلفين: برنامج تقسييم [البيانات](/tag/البيانات) الموجود على النظام، وبرنامج [تنفيذ](/tag/تنفيذ) [الخوارزميات](/tag/الخوارزميات). ولمعالجة هذا التحدي، تم تقديم [تقنية جديدة](/tag/[تقنية](/tag/تقنية)-جديدة) تُعرف بمُحسِّن أسيّد (AscendOptimizer).

يعمل مُحسِّن أسيّد كوكيل ترابطي (Episodic Agent) يكتسب [المعرفة](/tag/المعرفة) من خلال [التجارب](/tag/التجارب) الفعلية. في عملية [تحسين](/tag/تحسين) النوى، يقوم بإعادة النظر في [التطبيقات](/tag/التطبيقات) القوية عن طريق إزالة التحسينات بصورة مُسيطر عليها، ثم يحتفظ بالتغييرات التي تضرّ بالأداء بشكل ملحوظ، مما يوفر تجربة قابلة لإعادة الاستخدام في المستقبل. أما بالنسبة لتحسين جانب مضيف النظام، فيقوم المُحسِّن بإجراء [بحث تطوري](/tag/[بحث](/tag/بحث)-تطوري) مع [تحليل الأداء](/tag/[تحليل](/tag/تحليل)-[الأداء](/tag/الأداء)) في الوقت الحقيقي لاكتشاف تهيئات فعّالة وسريعة لجداول [البيانات](/tag/البيانات).

من خلال دمج هذه الاستراتيجيات، استطاع المُحسِّن الوصول إلى [تحسين](/tag/تحسين) هيكل النوى وجدولة الجانب المضيف معًا. وعلى [مجموعة بيانات](/tag/مجموعة-[بيانات](/tag/بيانات)) تضم 101 مشغل حقيقي من أسيّد، أظهرت النتائج [تحقيق](/tag/تحقيق) مُحسِّن أسيّد لمعدل [تسريع](/tag/تسريع) هندسي يبلغ 1.21x مقارنة بالمعايير المتاحة، حيث جرت زيادة [سرعة](/tag/سرعة) 53.47% من المشغلات عن مرجعياتها. وعند استخدام نفس الميزانية من [التقييمات](/tag/التقييمات) لكل مشغّل، تفوق مُحسِّن أسيّد على الطرق التقليدية مثل أفضل من N (Best-of-N) وOpenEvolve فيما يتعلق بمعدل التسريع الهندسي وتحديات [الأداء](/tag/الأداء) المتعددة.

إن مُحسِّن أسيّد يمثل خطوة كبيرة [نحو](/tag/نحو) [تحسين أداء](/tag/[تحسين](/tag/تحسين)-[أداء](/tag/أداء)) [الدوائر](/tag/الدوائر) العصبية، مما يفتح آفاقاً جديدة للذكاء الاصطناعي في جميع أنحاء العالم. ما رأيكم في هذا التطور؟ شاركونا في [التعليقات](/tag/التعليقات).