في ظل الارتفاع المتسارع لاعتماد نماذج اللغات الضخمة (Large Language Models)، بدأنا نشهد تحولًا في تصميم وحدات تسريع الذكاء الاصطناعي نحو حلول أكثر قوة وتخصصًا. في هذا السياق، تم اقتراح نهج بديل يركز على تحسين إدارة الذاكرة من خلال استخدام ذاكرة كاش مشتركة وإستراتيجيات إدارة تفهم طبيعة التطبيقات.

تعتمد هذه الاستراتيجية على معلومات تدفق البيانات المتاحة ضمن شجرة البرمجيات، لتقديم قرارات ذات صلة بتغيير الكاش بما في ذلك التنبؤ بالكتل الميتة وتقنيات تقليل الانخفاض في الأداء الناتج عن سوء إدارة الذاكرة. تشير الدراسة إلى أن هذه الطريقة تقود إلى زيادة ملحوظة في الأداء تصل حتى 1.80 مرة بالمقارنة مع التصاميم التقليدية، مما يُعزز من كفاءة وحدات تسريع الذكاء الاصطناعي بشكل لافت.

أظهرت النتائج التجريبية أيضًا فعالية استراتيجيات bypassing وتخفيف الازدحام، ما يسمح بالتعامل مع مشاهدات مختلفة سواء كانت هناك مشاركة للبيانات بين النوى أم لا. ومن الجدير بالذكر أنه تمت هندسة التصميم بهذه الطريقة ليكون بحجم 0.064mm² باستخدام تقنية 15nm، ويمكن أن تعمل بسرعة تصل إلى 2 جيجاهيرتز.

يفتح هذا الاكتشاف أفقًا جديدًا لتطوير أنظمة تسريع الذكاء الاصطناعي مستقبلاً، حيث يمكن أن تساعد نتائج هذه الدراسة في تشكيل الممارسات المستقبلية في هذا المجال.