أصبح تصميم الشبكات العصبية العميقة اللازمة لتحقيق سرعات استجابة ودقة عالية في الأجهزة المحمولة أمرًا حيويًا، خاصة عندما نتحدث عن الذكاء الاصطناعي على الحواف (Edge AI). يعتمد هذا التصميم بشكل متزايد على تحسين يعتمد على الأجهزة، والذي يتمثل في البحث عن معمارية الشبكات العصبية (Neural Architecture Search - NAS) المستند إلى مقاييس خاصة بكل جهاز.

مع ذلك، لا تزال معظم أنظمة البحث عن معماريات الشبكات العصبية الخارجية تركز على تحسين المعماريات بناءً على افتراضات دقة كاملة، حيث يتم تطبيق تكيف منخفض الدقة فقط بعد هذه المرحلة. هذه الطريقة تؤدي إلى الفجوات في الأداء بين ما تم تحسينه خلال عملية البحث وما يتم تجربته فعليًا أثناء التشغيل على الأجهزة منخفضة الدقة، مما يسبب نقصًا كبيرًا في الدقة.

لذلك، قامت الدراسة الحديثة بمواجهة هذه التحديات عبر دمج التدريب المنخفض الدقة المتوافق مع نشر النماذج بشكل مباشر في أنظمة البحث عن المعمارية المدركة للأجهزة. تم تزويد المعماريات المرشحة بقيود رقمية من نوع FP16 أثناء عملية التكييف والتقييم، مما يتيح تحسينًا مشتركًا بين الكفاءة المعمارية والصلابة العددية دون تعديل مساحة البحث أو الاستراتيجية التطورية.

أجريت تقييمات هذا الإطار المقترح على تقسيم السفن في سياق مراقبة المحيطات القمر الصناعي، مستهدفة وحدة معالجة الصور Intel Movidius Myriad X (VPU). ورغم أن تحويل الدقة بعد التدريب قلل من الأداء على الجهاز من 0.85 إلى 0.78 mIoU، إلا أن التدريب المنخفض الدقة المتوافق مع النشر حقق أداءً يقارب 0.826 mIoU على نفس المعمارية (95,791 معلمة) واسترجع نحو ثلثي الفجوة الناتجة عن التدريب دون زيادة تعقيد النموذج.

تظهر هذه النتائج أن دمج قيود عددية متوافقة مع النشر ضمن أنظمة البحث المدركة للأجهزة يعزز بشكل كبير من الصلابة والتوافق بين تحسين النماذج والنشر في أنظمة الذكاء الاصطناعي المحدودة الموارد.