في عالم الأجهزة المدمجة، حيث تتزايد الحاجة إلى استخدام خوارزميات متعمقة (Deep Neural Networks) على منصات ذات موارد محدودة، برزت تحديات جديدة تتطلب حلولاً مبتكرة. تعتمد الأجهزة مثل وحدات معالجة الرسوميات (GPUs) ووحدات معالجة الشبكات العصبية (NPUs) ووحدات معالجة Tensor (TPUs) على الأداء وليس على دقة الحسابات، مما يعرضها لهجمات حقن الأخطاء، وهو ما يثير القلق خصوصاً في التطبيقات الحساسة مثل الأجهزة الطبية.

على الصعيد الآخر، تقنيات البرمجيات الحالية لنقل الخوارزميات إلى الأجهزة الطرفية مثل مخططات التكميم (Quantization Schemes) إما أنها ثابتة ولا تحقق استهلاكاً مثالياً للطاقة، أو ديناميكية ولكن غير موثوق بها، مما يجعلها غير مثالية للتطبيقات الحرجة. لذلك، نقدم نهجًا جديدًا يجمع بين التكميم الديناميكي والصحيح، إضافة إلى العتاد المناسب الذي يدعمه.

في البداية، طورنا طريقة تكميم دقيقة وقابلة للتكيف في الوقت الحقيقي، تعتمد على الحساب من اليسار إلى اليمين وتضمن تمرير البتات الأهم أولاً، مما يسمح بتعديل دقة الحساب أثناء عملية تحليل الحساسية لقياس وإدارة المخاطر الناتجة عن تجاوز حدود القرار.

ثم نقدم نهجاً عتادياً جديداً يستخدم مصفوفات السيستول لتنفيذ العمليات الحسابية من اليسار إلى اليمين لإنتاج الأجزاء الأكثر أهمية أولاً. هذا الجمع بين الأساليب يقدم نموذجاً جديداً يمكّن من تجسيد شبكات عصبية ذكية وفعالة من حيث الموارد في الأجهزة الطرفية، فضلاً عن الرياضيات الدقيقة والموثوقة في العتاد الذي يضمن المتانة أمام هجمات تغيير البتات على الأجزاء الحرجة. يُعتبر هذا العمل قيد التقدم، مع اكتمال البرمجيات والتقدم في العتاد المتعلق بها.