تعتبر تقنية الذكاء الاصطناعي على الحافة واحدة من المجالات الأكثر تطوراً وتطلباً في عصرنا الحالي، حيث تحتاج النماذج الذكية إلى هياكل عصبية تجمع بين الدقة وكفاءة الحساب، بالإضافة إلى إمكانية نشرها على الهاردوير المتاح. وفي هذا السياق، تأتي المبادرات الجديدة في مجال البحث عن هياكل الشبكات العصبية المدعومة بالهاردوير (Neural Architecture Search) كحل لمواجهة هذا التحدي.

في الآونة الأخيرة، تم دمج تقنيات الكوانتيزاتشين مباشرة في عملية البحث عن الهياكل العصبية، مما أدى إلى زيادة تعقيد البحث وارتباط تصميم المعمارية بتقنية الكوانتيزاتشين بشكل وثيق. ورغم ذلك، لم تُلقَ الضوء بشكل كافٍ على الاستراتيجيات الأكثر بساطة مثل الكوانتيزاتشين بعد التدريب، والتي تُعد أقل دراسة في الأبحاث. فما هي العوامل التي تطرأ على هيكل الباريتو (Pareto structure) المكتشف من خلال البحث عند اعتماد الكوانتيزاتشين بعد التدريب (Post-Training Quantization)؟

تقدم الورقة الحديثة خطة عمل من ثلاث مراحل تشمل:
1. واجهة تصنيف غير متعلقة بالهاردوير تعتمد على NAS-Bench-201 لتحديد مرتبة الباريتو.
2. جسر كوانتيزاتشين يجمع بين تصفية تبعية الباريتو وعمليات التحكم المرتجعة.
3. استكشاف فضاء النطاق (Domain Space Exploration) لتحديد الخرائط الهواردويرية الأكثر ملاءمة من خلال استعمال CGRA4ML.

كما تقدم الدراسة دراسة تجريبية تبين كيف يؤثر تطبيق تقنيات الكوانتيزاتشين INT4 على هيكل باريتو في NAS-Bench-201 من خلال معايير الاستقرار الرسمية واختبار جميع المعماريات الممكنة البالغ عددها 15,625. ويظهر النتائج أن نموذج FP32 الذي تم تدريبه بلا إشراف يتفوق على نموذج INT4 المبني في تغطية فضاء الباريتو عبر استراتيجيتين بحثيتين قياسيتين.

هذه الابتكارات تمهد الطريق لمستقبل واعد لتسريع تنفيذ الذكاء الاصطناعي على الحافة، مما يزيد من كفاءته وقدرته على معالجة البيانات في الوقت الحقيقي. ما رأيكم في هذه التطورات؟ شاركونا في التعليقات.