في عالم الذكاء الاصطناعي والحوسبة العلمية، تعتمد النماذج عالية الأداء بشكل كبير على نوى وحدات معالجة الرسوميات (GPU). ومع تعقد المهام وزيادة تنوعها، أصبح من الضروري تطوير طرق فعالة لتوليد وتحسين نوى GPU بشكل آلي. للأسف، الطرق الحالية المعتمدة على نماذج اللغات الكبيرة (Large Language Models) غالبًا ما تعمل ضمن مساحة تنفيذ ثابتة، مما يحد من مرونة الفعالية وكفاءة البحث.

لكن الآن، ومع ابتكار إطار عمل HIERA (التخطيط المدرك للأحمال عبر مساحات التنفيذ) فإننا نشهد انطلاقة جديدة في هذا المجال. يتميز HIERA بتخطيط بحث هرمي يعمل على تحسين نوى GPU فعليًا. إذ يقوم بتكوين مواصفات مهام مدعومة بالعقود، واختيار مساحة التنفيذ المناسبة عبر أدوات PyTorch ومكتبات CUDA ونوى CUDA المخصصة.

ما يجعل HIERA فريدًا هو استخدامه لتعليقات الأداء ومعرفة الخبراء، مما يساعد في توجيه عملية التحسين بشكل منهجي وتكراري. وقد أظهرت التجارب على مجموعة KernelBench لمستويات مختلفة من الأحمال أن HIERA يحقق نجاحًا أكبر في صحة التنفيذ وسرعة التحسين بالمقارنة مع الطرق الأخرى التي لا تعتمد على التدريب، بينما يبقى تنافسيًا مع طريقة CUDA-L1 التي تحتاج إلى تدريب إضافي.

علاوة على ذلك، تُظهر دراسة حالة على مشغل خاص من الحساب العلمي تحقيق تعزيز قدره 1.53 مرة مقارنةً بcuDNN، مما يبرز الإمكانيات الكبيرة لهذا الإطار العام على أنواع متعددة من الأحمال خارج مهام التعلم الآلي التقليدية.

إن ابتكار HIERA ليس مجرد خطوة للأمام، بل قفزة نوعية توضح كيف يمكن لتكنولوجيا الذكاء الاصطناعي أن تعزز أداء الحوسبة بشكل عام. ما رأيكم في تأثير هذا التطور على أداء تطبيقات الذكاء الاصطناعي المتقدمة؟ شاركونا في التعليقات.