في عصر تتزايد فيه أهمية سرعة وكفاءة الذكاء الاصطناعي، قدم الباحثون تصميمًا ثوريًا جديدًا يُعتبر تقدمًا كبيرًا في التكنولوجيا. فقد تم تقديم تصميماً جديدًا لشبكة Systolic متعددة القنوات التي تدعم التهيئة الديناميكية لمضاعفات (Multiplication) متعددة الدقة.

في السنوات الأخيرة، تم استخدام المسرعات الخاصة بالشبكات العصبية بشكل واسع في الأجهزة الطرفية لمهام معقدة مثل تتبع الكائنات والتعرف على الصور. ولتقليل استهلاك الموارد في التصميمات الحديثة، تناولت الدراسات السابقة تقنيات التكميم (Quantization) لتقليل التركيز على استخدام المواد الصلبة. ومع ذلك، فإن انخفاض الدقة يعكس تأثيرًا سلبيًا كبيرًا على دقة الاستنتاج.

هنا تأتي أهمية تقنية التكميم المختلط (Mixed-precision Quantization) التي تتيح تطبيق مستويات دقة مختلفة عبر طبقات متعددة، مما يساعد في تحقيق توازن بين استهلاك الموارد ودقة النتائج.

وعند استعراض التصميمات التقليدية، نجد أنها لا تدعم إعادة تهيئة الدقة في النماذج العصبية الكمية (Quantized Neural Networks) أثناء التشغيل. لذا، اقترح الباحثون تصميمًا مبتكرًا لشبكة Systolic قابلة لإعادة التهيئة في الوقت الفعلي، وعُرضت هذه الوثيقة على منصة FPGA Ultra96.

تشير النتائج إلى أن التصميم الجديد يمكن أن يحقق تحسينات تتراوح ما بين 1.3185 إلى 3.5671 في سرعة الاستنتاج للنماذج المختلطة الدقة، إلى جانب تقليل تأخير المسار الحرج، مما يسمح بتردد ساعة أعلى يصل إلى 250 ميجاهرتز.

هذا التطور يعد خطوة حاسمة نحو تحسين أداء الأجهزة الذكية، مما يؤهلها للقيام بالمزيد من المهام بسرعة وكفاءة أكبر.

ما رأيكم في هذا التطور؟ شاركونا في التعليقات.