في عالم الحوسبة عالية الأداء (HPC) والتعلم العميق، يعد ضرب المصفوفات العامة (GEMM) أساسًا رئيسيًا يعتمد عليه العديد من التطبيقات. ومع تقدم التكنولوجيا، تبرز الحاجة إلى تطوير تقنيات جديدة لتحسين الأداء والسرعة. واحدة من هذه التقنيات الحديثة التي تثير اهتمام الباحثين والمطورين هي استخدام منحنيات ملء الفراغات (Space Filling Curves) في هندسة خوارزميات ضرب المصفوفات.

تسمح هذه الطريقة بتقسيم عملية ضرب المصفوفات بطريقة ذكية تزيد من محلية البيانات وتقليل حركة البيانات في الذاكرة، مما يؤدي إلى أداء أعلى. فعلى سبيل المثال، تم تنفيذ خوارزميات تجنب الاتصال (Communication-Avoiding) بطريقة سلسة تستخدم إشارات متنوعة تعزز من الكفاءة.

وقد أثبتت التجارب أن تقنية SFC-CA GEMM تتفوق على المكتبات التجارية ذات الحالة الأفضل (SOTA) بما يصل إلى 5.5 مرات في الأداء حسب الشكل و1.8 مرة في متوسط الأداء المرجح. هذه النتائج تبشر بخير، إذ من الممكن استغلال هذه التقنية في تطبيقات حقيقية.

بينما نقوم بتجربة نموذج الاستنتاج للغات الكبيرة (LLM)، يمكن تحقيق تسريع يصل إلى 1.85 مرة مقارنة بأسرع أوقات التنفيذ المتاحة. كما يسمح هذا النوع من الخوارزميات بتحسين أداء ضرب المصفوفات في بيئات ذاكرة موزعة مع تسريع يصل إلى 2.3 مرة.

تعد هذه الابتكارات بمثابة ثورة في عالم الذكاء الاصطناعي، حيث تقربنا خطوة أخرى نحو عمليات حسابية أسرع وأكثر كفاءة. لذا فإن السؤال المطروح الآن هو: كيف يمكن لهذه التقنية أن تغير من مستقبل الذكاء الاصطناعي والحوسبة عالية الأداء؟