يشكل التعلم العميق عبر الشبكات العصبية واحدة من الابتكارات الأكثر تأثيرًا في مجال الذكاء الاصطناعي، لكن هل تساءلت يومًا عن التحديات التي تواجهها هذه الشبكات في تطبيقاتها العمليّة؟

تعتبر عمليات ضرب المصفوفات (Vector-Matrix Multiplications) جزءًا أساسيًا في أداء الشبكات العصبية. تُعد هذه العمليات في المعمارية التقليدية مثل von Neumann مكلفة نظرًا لحركة البيانات الكبيرة بين وحدات الذاكرة ووحدات المعالجة. هنا يأتي دور الشبكات العصبية العاكسة (Spiking Neural Networks - SNNs) التي تُخفف هذا العبء من خلال تنفيذ عمليات الضرب في الذاكرة باستخدام مصفوفات ميمرستيفية.

الابتكار الجديد الذي اقترحته دراسات حديثة يتمثل في بنية قراءة كاملة تعتمد على التحويل من الجهد إلى زمن لنتيجة عملية الضرب. من خلال قياس جهد العمود، تتجنب هذه البنية الدوائر الكهربائية المستخدمة لذلك وتحقق كفاءة أكبر في المساحة والطاقة. تم إثبات صلاحية هذه البنية من خلال محاكاة لنموذج SNN مكون من 10x1 باستخدام تكنولوجيا CMOS بحجم 130 نانومتر.

وعلاوة على ذلك، أظهرت التطبيقات العملية لهذه التكنولوجيا على نموذج مدرب 64x10 SNN نتائج إيجابية في تصنيف الأرقام، مما يفتح الأبواب لإمكانيات جديدة في الذكاء الاصطناعي.

هل أنتم متحمسون لرؤية كيف ستؤثر هذه الابتكارات على المستقبل؟ شاركونا أفكاركم في التعليقات!