تواجه تقنيات الذكاء الاصطناعي تحديات كبيرة في توفير ذكاء مستقل عند الحافة، إذ تظل تكاليف الطاقة والمعالجة لعوامل نماذج التدريب عاملين محدودين. ومن هنا، تظهر الشبكات العصبية المتفرقة (Spiking Neural Networks - SNNs) كبديل واعد بفضل طبيعتها الديناميكية. ولكن لتحقيق التعلم داخل الأجهزة، يعد التعاون بين تصميم الأجهزة والخوارزميات أمرًا ضروريًا.

تقدم الورقة العلمية الجديدة تحت عنوان (Spiker-LL) معالجًا جديدًا قائمًا على FPGA، والذي يمتد من بنية استدلال سبايكر+ مع دعم فعّال لقواعد التعلم المحلي STSF. وبفضل تطويرات معمارية موجهة، يتيح سبايكر-إل إل استدلالًا وتعليمًا في الوقت الفعلي دون تكاليف إضافية ملحوظة.

وفي اختبارات على مجموعات بيانات مثل MNIST وF-MNIST وDIGITS، حقق المعالج دقة تصل إلى 93% مع زمن استجابة يقل عن المللي ثانية واستهلاك طاقة يقل عن 0.1 ملي جول لكل عملية استدلال، مما يجعله خيارًا مثاليًا لنشر الحلول في الأجهزة المرتبطة بالحدود.

إن سبايكر-إل إل لا يقتصر على كونه معالجًا موفرًا للطاقة فحسب، بل يمثل أيضًا خطوة مهمة نحو توفير أنظمة ذكاء اصطناعي أكثر كفاءة وقوة.

ما رأيكم في هذا التطور المثير؟ شاركونا أفكاركم في التعليقات!