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

يعمل مُحسِّن أسيّد كوكيل ترابطي (Episodic Agent) يكتسب المعرفة من خلال التجارب الفعلية. في عملية تحسين النوى، يقوم بإعادة النظر في 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 مع تحليل الأداء في الوقت الحقيقي لاكتشاف تهيئات فعّالة وسريعة لجداول البيانات.

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

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