في عالم الذكاء الاصطناعي، تعتبر تقنيات البحث عن قرارات مثالية من خلال أنظمة مثل بحث شجرة مونت كارلو (Monte Carlo Tree Search) أساسية لتطوير حلول أكثر فاعلية وكفاءة. ومع ذلك، كانت هذه الأنظمة تستهلك بين 55-300 واط عند التشغيل على معالجات تقليدية، مما يحد من استخدامها في تطبيقات الحافة (Edge Deployment).

الآن، ومع تقدم تقنيات الحوسبة الذاكرية (In-Memory Computing)، أصبح بالإمكان تحقيق كفاءة طاقة مفاجئة. حيث تم اقتراح مفهوم "تحليل المرحلة إلى بدائية"، الذي يعيد صياغة كل مرحلة في الخوارزمية لتناسب الخصائص المدمجة للحوسبة الذاكرية.

عند تطبيق هذا المنهج على خوارزمية البحث عن الخيارات عبر شجرة مونت كارلو، تتم مطابقة مراحل الاختيار، التوسع، التنفيذ والعودة إلى ذاكرة ذات عنوان محتوى، ومنطق تركيبي، وذاكرة وصول عشوائي عكسية (RRAM)، مما يبقي البحث داخل الشريحة.

في التجارب التي أُجريت على شرائح بتقنية 22 نانومتر والمزودة بمعلمات شبكة RRAM، استهلك النظام الجديد للطاقة حوالي 60 مللي واط لعمليات لعبة "جو" بحجم 9x9، محققًا كفاءة طاقة تصل إلى 96 ضعفًا مقارنة بالمعالجات المركزية التقليدية (CPU) و65 ضعفًا إلى 2059 ضعفًا مقارنة بوحدات معالجة الرسومات (GPU) من طراز H100. كما أن النظام استطاع تحقيق تصنيف قريب من الجمعية الأوروبية للجو مما يجعله منافسًا قويًا أمام محركات جو مفتوحة المصدر مثل Pachi-UCT وMichi-C.

يمكن للتركيبة نفسها أن تدير ثمانية تطبيقات عبر أربعة مجالات في الذكاء الاصطناعي، مما يعكس قدراتها المذهلة ومرونتها في معالجة المشكلات المعقدة بطريقة أكثر كفاءة واستدامة.

تسعى هذه التقنيات إلى إعادة تعريف كيفية تعاملنا مع الذكاء الاصطناعي، مما يعزز الأمل في تطوير تطبيقات أكثر ذكاءً وكفاءةً في المستقبل.