في عصر التطورات السريعة في مجال الذكاء الاصطناعي، يبرز مفهوم البحث في تصميم الشبكات العصبية (Neural Architecture Search - NAS) كأداة قوية لتسهيل تصميم النماذج. غير أن الطرق التقليدية غالبًا ما تركز على دقة النموذج فقط أو تعتمد على مقاييس مؤقتة لا تعكس تكلفة الأجهزة بشكل دقيق. ومع اقتراب نشر النماذج على FPGA، تصبح الفجوة في تكاليف التصميم أكبر، حيث تهيمن عوامل متعددة مثل جداول البحث (Lookup Tables)، وDSPs، والـflip-flops، وBRAM، والزمن المستغرق (Latency).

هنا تأتي أهمية حزمة SNAC-Pack (Surrogate Neural Architecture Codesign Package)، وهي إطار عمل مفتوح المصدر مصمم خصيصًا لتسهيل عملية التصميم المشترك للشبكات العصبية مع الأخذ في الاعتبار القيود على مستوى العتاد، بالإضافة إلى عمليات النشر على FPGA.

تعمل SNAC-Pack من خلال تنفيذ بحث عالمي متعدد الأهداف بمساعدة أدوات مثل Optuna وNSGA-II، حيث تقوم بتحميل التجارب في قاعدة بيانات SQLite مشتركة تتيح التعاون بين مجموعة من العمال عبر عقد الحوسبة. وتقدم النموذج البديل للعتاد تقديرات للموارد المطلوبة والزمن المستغرق لكل تجربة، مما يساعد في تجنب التكاليف المرتفعة المرتبطة بعملية التحليل.

جميع العناصر تُدمج في حلقة ضغط متكاملة، حيث يتم تطبيق تدريب واعٍ على الكم (Quantization-Aware Training - QAT) مع تقليم الحجم بشكل تكراري، مما يسرع من العملية قبل أن يتم تحويل النموذج النهائي إلى برمجيات FPGA باستخدام مكتبة hls4ml في بايثون.

تقدم SNAC-Pack طريقة مميزة لتنفيذ أنابيب على مجموعات بيانات جديدة دون الحاجة لتعديل إطار العمل، مما يوفر الوقت والجهد. تم اختبار هذه الحزمة على تصنيف الطائرات في مصادم الهادرونات الكبير وقراءة الكيوبت الفائق التوصيل، حيث نظرنا في إنشاء هياكل مضغوطة تحقق أداءً ممتازًا وتقلل من استهلاك الموارد.

شجعت هذه الأداة عملية البحث لتصميم النماذج، حيث استطاعت تقليل الزمن المطلوب من أشهر من التعديل اليدوي إلى ساعات من البحث الآلي. يُظهر هذا التطور كيف يمكن للأدوات الحديثة أن تغير بشكل جذري من طريقة تفاعلنا مع تكنولوجيا الذكاء الاصطناعي.