أصبحت الشبكات العصبية (Neural Networks) تجذب الانتباه بشكل متزايد في مختلف مجالات الحوسبة مثل الرؤية الحاسوبية والتعلم العميق، لكن التحديات المرتبطة بتشغيلها على أجهزة ذات طاقة محدودة لا تزال قائمة. في محاولة للتغلب على هذه العقبة، تم تقديم معمارية مضاعف قابلة لإعادة التشكيل، مصممة خصيصًا لتتكامل مع أنوية RISC-V.

تستهدف هذه المعمارية الجديدة كفاءة استهلاك الطاقة عبر تقنيات معالجة ذكية تتكيف مع احتياجات التطبيقات المختلفة. تدعم المعمارية الجديدة حسابات دقيقة وتقديرية مع مستويين مختلفين من الدقة، مما يسهل التحكم في توازن الطاقة والأداء في الدوائر الإلكترونية العادية.

حقق التصميم الجديد تقليلًا في استهلاك الطاقة يتراوح بين 44%-52% في وضع الحسابات الدقيقة و62%-68% في الأوضاع التقديرية، مع الحفاظ على أداء حسابي متميز يصل إلى 1.89 DMIPS/MHz.

تشير التقييمات التي أجريت على الأحمال المعرضة للأخطاء، مثل أي عمليات تصفية ثنائية الأبعاد (2D Convolution) وضرب المصفوفات، إلى تقليل استهلاك الطاقة بنسبة تصل إلى 63%. وقد أظهر التصميم الجديد كفاءة عالية حيث حقق 1.21 pJ لكل تعليمة في عملية ضرب المصفوفات، مما يثبت جدواه في حماية مشاريع الذكاء الاصطناعي الموجهة للحد من موارد الطاقة.

في عصر الذكاء الاصطناعي المتقدم، تأتي هذه الابتكارات لتؤكد أهمية الاستدامة وكفاءة الطاقة في تطوير التطبيقات المستقبلية. ما رأيكم في هذا التطور؟ شاركونا في التعليقات.