في عصر التكنولوجيا المتقدمة، تتطلب الأنظمة الذكية مثل المركبات الذاتية ونماذج الذكاء الاصطناعي (AI) الاعتماد على نماذج الإدراك المعتمدة على التحويلات (Transformers) التي تلبي متطلبات صارمة من حيث الاستجابة السريعة واستهلاك الطاقة. ومع ذلك، فإن نشر هذه الأنظمة على وحدات معالجة الرسوميات الهجينة لا يزال يواجه تحديات عديدة، منها عدم الاستفادة الكاملة من محركات الأجهزة والعمليات غير المتوافقة، مما يؤدي إلى تنفيذ غير متكامل وانخفاض في الإنتاجية لكل واط.

**Introducing H-FraDS**
تقدّم الورقة البحثية الجديدة تقنية جديدة تُسمّى Heterogeneous Frame Dispatch Scheduling (H-FraDS)، والتي تعد منهجية جدولة خصائصية تتعامل مع عملية الاستدلال على نماذج التحويل باستخدام وحدات معالجة الرسوميات الحديثة من NVIDIA. تعتمد H-FraDS على توجيه الإطارات عبر وحدات معالجة الرسوميات والنوى الخاصة بالتعلم العميق لتعزيز الاستخدام ضمن قيود القوة الزائدة وتأخير الاستجابة.

لتسهيل عمليات الجدولة، يتم تعديل مكونات التحويل غير المتوافقة لأداء عملية الاستدلال باستخدام تقنيات مثل إعادة تشكيل التنسورات، وتقدير دالة الخطأ (Error Function) باستخدام التان (tanh)، والاستبدال لعمليات تطبيع الطبقات (Layer Normalization) بتقنية التان المحدودة (Bounded Tanh).

**الأداء المتفوق**
العجيب أن النموذج المعدل يحافظ على نتيجة F1 تبلغ 92%، مع تقليص ضئيل نسبته 2% عن النموذج الأصلي. كما يتم استخدام مسرع التدفق البصري (Optical Flow Accelerator) لتقدير تدفق البصري في جانب الاستدلال. استنادًا إلى أفضل ما توصل إليه الباحثون، لم يتناول العمل السابق هذه القضايا المركّبة.

باستخدام نموذج Swin Transformer لتجربة قيادة المركبات الذاتية، حققت تقنية H-FraDS توازنًا بين الاستغلال (Balanced Dispatch) بمعدل نقل 1:2 مما مكنها من الوصول إلى سرعة 125.93 FPS، وهو ما يعادل زيادة تبلغ 2.36 مرة مقارنةً بالتنفيذ المستقل لمسرع التعلم العميق. كما تحقق 4.0 FPS/W و24 مللي ثانية لزمن الاستجابة، مما يلبي المتطلبات اللازمة للتشغيل في الوقت الحقيقي عند 30 FPS.

**ختاماً**
إن التقنيات المتقدمة مثل H-FraDS تفتح آفاقاً جديدة في عالم الذكاء الاصطناعي، حيث أنها تعالج تحديات الاستخدام الفعال لموارد الحوسبة في نماذج الإدراك المستندة إلى التحولات. ما رأيكم في هذه التطورات المثيرة؟ شاركونا في التعليقات.