في عالم التكنولوجيا الحديثة، يزداد الاعتماد على نماذج اللغات الضخمة (Large Language Models - LLMs) في توليد الأكواد العلمية المتوازية، مع التركيز على إنتاج أكواد صحيحة وظيفيًا. لكننا نعيش في عصر يتطلب منا التفكير ليس فقط في الأداء، بل أيضًا في كفاءة الطاقة. في بحث حديث، تم طرح سؤال مهم: هل يمكن لنماذج اللغات الضخمة (LLMs) توليد أكواد علمية متوازية ذات كفاءة طاقة عالية عند توجيهها بملاحظات تنفيذ تجريبية؟

للإجابة على هذا السؤال، تم تقديم إطار عمل جديد يُدعى لاسي-EE (LASSI-EE)، والذي يعتمد على نماذج LLMs لإعادة صياغة الأكواد بطريقة آلية. يمتاز هذا الإطار بأنه ينتج أكواداً متوازية تركز على كفاءة الطاقة من خلال عملية متعددة المراحل تتضمن تحليل استهلاك الطاقة أثناء التنفيذ، استخدام تشجيع واعٍ للطاقة، وحلقات تصحيح ذاتي، بالإضافة إلى وجود وكيل LLM كقاضي لفرز الأكواد الناتجة.

تم تقييم فعالية لاسي-EE باستخدام اثنين وعشرين نموذجًا تمثيليًا للأبحاث والتطبيقات على وحدات معالجة الرسوميات (GPUs) من نوع NVIDIA A100 وAMD MI100. وأظهرت النتائج انخفاضًا متوسطًا في استهلاك الطاقة بمعدل 36٪ لأجهزة MI100 و34٪ لأجهزة A100، في تجارب أسفرت عن إعادة الصياغة بنجاح.

هذا الاكتشاف يمثل خطوة هامة نحو جعل البرمجة العلمية أكثر كفاءة وصداقة للبيئة، مما يسهم في تحسين الأداء العام لنظم الحوسبة الكبيرة. هل تعتقد أن هذه التقنيات ستحدث انقلابًا في طريقة برمجة الأكواد العلمية؟ شاركونا آراءكم في التعليقات!