في عالم الذكاء الاصطناعي، يحتل استخدام الحوسبة داخل الذاكرة (In-memory computing) مكانة بارزة، حيث يمكنه توفير أداء طاقة عالي خلال استنتاج الشبكات العصبية. أحدثت تقنية N-ary crossbar ثورة في هذا المجال، حيث تسمح بإجراء عمليات الضرب بين المصفوفات المتجهة (Matrix-Vector Multiplications) بشكل فعال داخل مصفوفات العبور.

تسعى الدراسة الجديدة إلى تقديم إطار عمل تحاكي هذه البنية، مع تقليل الافتراضات المرتبطة بالتنفيذ. وقد تم استخدام تكلفتين مختلفتين في التجربة: XOR والمهام الصعبة لتصنيف بيانات MNIST، حيث حققت النتائج دقة 94.48% مقارنةً بالمعيار البرمجي الذي بلغ 97.56%.

كانت الخطوة التالية هي تقليل الفجوة بين الأداء البرمجي والجهوزية العتادية باستخدام تقنيات تقليص الأبعاد (PCA). ومن خلال الدراسة، تم التعرف على كمية الوزن كمصدر رئيسي للأخطاء، كما تم استكشاف تأثير ذلك بجانب العوامل غير المثالية والفوضى العشوائية.

أظهرت النتائج أن الفوضى العشوائية المحددة للخلايا أقل تأثيراً سلباً من الأخطاء النظامية، وذلك بفضل عملية التوسيع عبر المصفوفة. وفي الختام، تم تحديد عدد الدول المثالي لكل خلية، لتحقيق توازن بين خطأ الكمية ووضوح حالة المقاومة، مما يقلل من إجمالي خطأ عمليات الضرب.

هل تعتقد أن هذه التطورات ستحدث نقلة نوعية في الذكاء الاصطناعي؟ شاركونا آراءكم في التعليقات!