في عالم اليوم الذي يشهد زيادة متسارعة في استخدام الشبكات العصبية العميقة (DNN)، خاصة على الأجهزة المحمولة، بات واضحًا أن التحديات المرتبطة بالاستجابة السريعة واستهلاك الطاقة تحتاج إلى حلول مبتكرة. فقد تمثل استدلال الشبكات العصبية العميقة عبئًا كبيرًا على الموارد المحدودة لهذه الأجهزة، مما يؤدي غالبًا إلى تأخير واضح في الأداء واستهلاك مفرط للطاقة.

توجهت الأبحاث السابقة بشكل رئيسي نحو تكنولوجيا التحكم الديناميكي في الفولتية وتردد الحوسبة (DVFS)، دون التركيز الكافي على تأثير تردد الذاكرة. لكن الباحثين في دراسة حديثة ابتكروا منهجية جديدة تأخذ في الاعتبار تأثير كلاً من تردد الذاكرة وتردد الحوسبة مع الموارد الاتصالية.

من خلال صياغة نموذج شامل للوقت اللازم للاستدلال، قام الباحثون بتشكيل مشكلة تحسين تهدف إلى تقليل استهلاك الطاقة لجميع الأجهزة المحمولة ضمن قيود زمنية معينة. لهذا الغرض، طوروا حلولًا دقيقة لحالات الاستدلال المحلي، بالإضافة إلى حلول مثلى للقوة المطلوبة في نقل البيانات، مما أفضى إلى خطوات جادة نحو تحسين الكفاءة.

باستخدام خوارزمية هيرستيك ذات تعقيد زمني منخفض، أظهرت النتائج التجريبية أن الحل المقترح للأجهزة المحلية يمكنه تقديم أداء مثالي تحت قيود الزمن الصارمة، بحيث يصل الفارق إلى 2.5% مقارنةً بحلول أخرى. وبفضل هذه الخوارزمية، يمكن تقليل استهلاك الطاقة للأجهزة المحمولة بنسبة تصل إلى 10.4%، مما يمهد الطريق لتحقيق كفاءة طاقة متميزة في عصر الذكاء الاصطناعي المتقدم.