في خطوة جديدة نحو تعزيز كفاءة استنتاج (Machine Learning) التعلم العميق، تم تقديم معمارية جديدة لمعالجات الدوائر المبرمجة (FPGAs) تحل الكثير من التحديات المرتبطة بالتصميم التقليدي. لقد شهدت FPGAs التقليدية تحسينات في كفاءة استنتاج التعلم العميق بفضل استخدام كتل التنسور المخصصة والحساب ضمن الذاكرة، ولكن ما يميز هذا الابتكار هو دمج كتل حساب الذاكرة غير الخطية.

تأتي هذه التطورات استجابة لقيود التصميم التقليدي، حيث كانت النماذج تعتمد على العمليات الزراعية الثابتة، مما يعني أن النماذج مرتكزة على تحويلات تعتمد على العمليات غير الخطية كانت تعاني من قصور حاد في الكفاءة. ومع تزايد انتشار نماذج (Transformers) المعتمد بشكل رئيسي على كثرة العمليات غير الخطية، يصبح من الضروري توفير بنى تحتية تكنولوجية تتيح استخدام تلك النماذج بشكل فعال.

تتجاوز المعمارية الجديدة التي اقترحتها مجموعة من الباحثين، العقبات التي تقيد أداء (FPGAs) التقليدية، حيث التخلص من وحدات تحويل الإشارات التناظرية (ADCs) العادية، واستبدالها بذكاء محتوى عشوائي تناظري (ACAMs) مما يمكن من إجراء العمليات غير الخطية مباشرة داخل الكتلة.

عند إجراء تحسينات متعلقة بالتصميم، تم تحقيق كفاءة طاقة تصل حتى 40 ضعف وكفاءة مساحة تصل إلى 4.1 ضعف عند اختبارها على معايير كل من الشبكات العصبية الالتفافية (CNN) ونماذج Transfomers. تمثل هذه التطورات انفراجاً في الاستخدام الفعال للتقنية في مجالات تعرض نماذج التعلم العميق لضغوط كبيرة في الأداء، مما يفتح آفاق جديدة لتصميم وتطوير الـ FPGA المخصصة.