في عالم الذكاء الاصطناعي، تعتبر مذابح الموجات (Wavelet Convolutions) البديل المثالي لمذابح التلافيف التقليدية (Standard Convolutions)، حيث تقدم فعالية غير مسبوقة في توسيع الحقل الاستقبالي للشبكات العصبية. ومع ذلك، كانت هنالك مشكلة رئيسية تتعلق بتكلفة نقل البيانات في الذاكرة (High-Bandwidth Memory - HBM) التي تعيق الأداء.

في البحث الجديد الذي تم نشره، نقوم بعرض نموذج إدخال/إخراج مصمم خصيصا لتحديد هذه العقدة (Bottleneck) ويقودنا إلى ثلاث تعديلات جبرية رئيسية:

1. **إعادة حساب تحليل هار (Haar Analysis)** الرخيص على الشريحة، مما يقلل من الحاجة إلى موارد الذاكرة.
2. **دمج سلسلة توليف متعددة المستويات** إلى عملية واحدة مغلقة تستند إلى أبعاد الأبعاد الناتجة، مما يسهل الحسابات ويزيد من الكفاءة.
3. **دمج المقاييس المحسوبة لكل قناة** ضمن أوزان التلافيف، مما يقلل من استهلاك الذاكرة.

كل هذه التعديلات تسهم في تحقيق تنفيذ مُدمج وواعي للإدخال/الإخراج، مما يقلل بشكل كبير من حركة البيانات عبر الذاكرة عالية العرض.

عند تقييم تكوين WTConvNeXt عبر مستويات التفكيك (Decomposition Levels) وأشكال التنسورات المختلفة، وجدنا أن الإصلاح الجديد يقلل من حركة الذاكرة بمعدل حوالي 2.55 مرة، مما يمهد الطريق لزيادة تصل إلى 4.35 مرة في سرعة التدريب مقارنة بالإصدار التقليدي بينما يقلل بشكل ملحوظ من ذروة استخدام الذاكرة.

بهذه التحسينات، نحافظ على مزايا مذابح الموجات بينما نخفض وقت التنفيذ ونقلل من footprint الذاكرة، مما يزيل الحواجز التي كانت تعيق فعالية هذه التقنية.

ما هي توقعاتكم حول مستقبل تقنيات الذكاء الاصطناعي وما يمكن أن تحققه هذه التطورات؟ شاركونا آراءكم في التعليقات!