في عالم الذكاء الاصطناعي، يظهر تقدم مذهل في استخدام تقنيات الحوسبة الحرارية. تعتمد هذه التقنيات على نموذج "إيزينج"، حيث تقدم وعودًا كبيرة فيما يتعلق بتخفيض استهلاك الطاقة أثناء الاستدلال في الذكاء الاصطناعي. يعد هذا مجزيًا بشكل خاص لأجهزة الحوسبة عند الأطراف (edge computing)، حيث تظل المساحة والقدرة على معالجة البيانات عوامل حاسمة.

تُظهر الأبحاث الحديثة أنه من الممكن تحقيق تدريب نماذج أوسع في ظل هذه الأنظمة، ويبدو أن نظرية سابقة تستمد قوتها من استنتاجات منها. يمكن لأنظمة "إيزينج" التي تعتمد على العينة من توزيع "جيبس" في درجات حرارة عالية، أن تُستخدم لأغراض الاستدلال من خلال الشبكات العصبية.

بفضل خوارزمية قائمة على التراجع (backpropagation) تم تطويرها، أصبح من الممكن تدريب شبكات عميقة لتعزيز الكفاءة في الاستدلال الحراري على أجهزة "إيزينج". وقد تم تحقيق دقة مذهلة قدرها 94.9% على مجموعة بيانات CIFAR-10 و76.0% على CIFAR-100 من خلال تقنيات العينة الثنائية من توزيع "جيبس".

لكن الأبحاث لم تتوقف عند هذا الحد، حيث تم تطوير نظرية رياضية جديدة تربط تكلفة الاستدلال بالدقة، مما يسمح بتعديل توقيت الارتباط الذاتي. أظهرت النتائج المحسوبة أنه يمكن التحكم في تكلفة الاستدلال من خلال مقايضات محددة بخبرة الأداء، مما يجعل الأمر مثيرًا للاهتمام لشركات التقنية المطورة للأجهزة.

بالنظر إلى النتائج الإيجابية، يبدو أن تطور نماذج الذكاء الاصطناعي الحراري في المستقبل يُبشر بإمكانيات هائلة، مما سيفتح مجالات جديدة في تطبيقات الحوسبة ذات الطاقة المنخفضة ويعزز من تطوير الأجهزة المتخصصة.