في عالم الذكاء الاصطناعي، لا تتوقف الابتكارات عن إبهارنا. وقد شهدنا مؤخرًا تطوير نموذج ثوري يُدعى Otters++، الذي يعتمد على الشبكات العصبية النابضة (Spiking Neural Networks - SNNs) لتحسين كفاءة استهلاك الطاقة أثناء عمليات الاستدلال. ولعل الشيء الأكثر إثارة هو استخدام تقنية تُعرف باسم التشفير الزمني للانطلاق الأول (Time-to-First-Spike - TTFS) التي تعزز من فعالية النموذج.

عادةً ما تكون الشبكات العصبية النابضة وعوداً كبيرة في توفير استهلاك الطاقة بسبب قدرتها على العمل بكفاءة أعلى مقارنةً بالنماذج التقليدية، ولكنها كانت تعاني من عيوب تتعلق بتكاليف حسابية قد تؤثر على أدائها. هنا يأتي دور نموذج Otters++، الذي استغل خللاً في الأجهزة، وهو التدهور الطبيعي للإشارات في الأجهزة الضوئية، ليكون جزءًا أساسيًا من عمليات الحساب الخاصة بـ TTFS.

يستفيد هذا النموذج من تدهور الإشارة المُقاس في المشابك الضوئية المستخدمة، مما يسمح بإزالة الحاجة إلى الحساب الرقمي المعقد، مما يجعل العملية أكثر كفاءة. ولتوسيع قدرة هذا النموذج لتشمل نماذج Transformer، تم تأسيس تعادل وظيفي بين Otters++ و الشبكات العصبية الكمية (Quantized Neural Networks - QNNs). كما تم تطوير طريقة تدريب هجينة تجمع بين الحساب باستخدام SNN أثناء التمرير الأمامي واستخدام سلاسل QNN في تمرير التحديثات.

قامت الاختبارات على مجموعة بيانات GLUE بإثبات فعالية النموذج، حيث حقق Otters++ متوسط نتائج يقدر بـ 84.17%، مع الحفاظ على ميزة واضحة من حيث استهلاك الطاقة مقارنةً بالنماذج السابقة.

هذه النتائج تؤكد أن استخدام نماذج TTFS المعتمدة على الفيزياء يمكن أن يكون فعّالاً، قابلًا للتدريب، وموثوقًا تحت تأثيرات الأجهزة الحقيقية.

في ظل هذا التطور المذهل، ما رأيكم في مستقبل الذكاء الاصطناعي المُعتمد على كفاءة الطاقة؟ شاركونا آراءكم في التعليقات.