في ظل الزيادة المستمرة في استخدام الذكاء الاصطناعي (AI) في مجالات متعددة، أصبح تقليل استهلاك الطاقة في مسرّعات الذكاء الاصطناعي أساسيًا لتحقيق كفاءة تشغيلية. تُظهر الأبحاث الحديثة أن استخدام تقنيات الحوسبة التقريبية (Approximate Computing) يمكن أن يقلل من استهلاك الطاقة بشكل كبير مع الحفاظ على فقدان دقة ضئيل.

تستهدف الورقة البحثية الجديدة، TRAM، تطوير مضاعفات تقريبية ذات طاقة منخفضة (Approximate Multipliers) والتي تُعتبر من العناصر الأكثر استهلاكاً للطاقة في نماذج الذكاء الاصطناعي.

ما يميز TRAM عن الأبحاث السابقة هو أنها تقوم بتحسين هيكل المضاعف التقريبي وخصائص نموذج الذكاء الاصطناعي بشكل مشترك، مما يؤدي إلى خفض استهلاك الطاقة بشكل محسوب جداً مع تقليل فقدان الدقة.

أظهرت التجارب أن TRAM حققت انخفاضًا يصل إلى 25.05% في استهلاك الطاقة لمضاعفات CNN عند استخدام مجموعة بيانات CIFAR-10. بالإضافة إلى ذلك، أسفرت التكنولوجيا عن تقليل استهلاك الطاقة بنسبة تصل إلى 27.09% في المحولات البصرية (Vision Transformers) أثناء التعامل مع مجموعة بيانات ImageNet.

باختصار، TRAM تمثل خطوة هامة نحو تطوير مسرّعات ذكاء اصطناعي أكثر كفاءة من حيث الطاقة، وتؤكد على إمكانية تحقيق التوازن بين الأداء واستهلاك الطاقة، مما يعد بمستقبل مشرق لتقنيات الذكاء الاصطناعي.

لمستقبل تكنولوجي أكثر استدامة، كيف ترى دور تقنيات الحوسبة التقريبية في مجالك؟ شاركونا آراءكم في التعليقات!