أخبار ar.wedoany.com، استجابةً للطلب الهائل على مراكز البيانات عالية الاستهلاك للطاقة في مجال الذكاء الاصطناعي، اقترح باحثون من شركة Extropic Corp. ومعهد ماساتشوستس للتكنولوجيا (Massachusetts Institute of Technology)، بمن فيهم عالم المعلومات الكمومية إسحاق تشوانغ (Isaac Chuang)، بنية حاسوبية حرارية لإزالة الضوضاء (Denoising Thermodynamic Computer Architecture, DTCA). يدّعي الباحثون أن هذه البنية قادرة على تنفيذ مهام محددة في الذكاء الاصطناعي باستهلاك طاقة لا يتجاوز جزءًا ضئيلًا من الطاقة التي تستهلكها الأجهزة التقليدية. وقد نُشرت النتائج ذات الصلة في مجلة "npj Unconventional Computing".
يهدف هذا البحث إلى مواجهة التحدي الأساسي الذي يواجه قطاع الذكاء الاصطناعي. يشير الفريق البحثي إلى أن الاستثمارات في أنظمة الذكاء الاصطناعي واسعة النطاق تُشكّل ضغطًا هائلًا على البنية التحتية للطاقة العالمية، ومن المتوقع أن تستهلك مراكز البيانات المُركزة على الذكاء الاصطناعي حوالي 10% من إجمالي الطاقة في الولايات المتحدة بحلول عام 2030. إن التحسينات في كفاءة بنية معالجات الرسوميات (GPU) التقليدية محدودة، كما أن خوارزميات الذكاء الاصطناعي نفسها قد تكون مقيدة بالأجهزة الحالية، مما يجعل البحث عن مسارات حاسوبية مختلفة أمرًا بالغ الأهمية.
يقدم هذا الاقتراح تصميمًا لبنية حاسوبية احتمالية تعتمد على ترانزستورات CMOS التقليدية، تستخدم العشوائية المُتحكم بها لتنفيذ العمليات الحسابية الاحتمالية مباشرةً في الأجهزة. يستلهم مبدأ عملها مفهوم نماذج الانتشار، حيث يُحلل نموذج الاحتمالية المعقد إلى سلسلة من خطوات إزالة الضوضاء البسيطة، لتحويل الضوضاء العشوائية تدريجيًا إلى بيانات منظمة، متجنبًا بذلك القيود التي فرضتها الأجهزة الاحتمالية السابقة في "مفاضلة الخلط والقدرة التعبيرية". جوهر الأجهزة هو دوائر ترانزستور مُصممة خصيصًا لتوليد أرقام عشوائية قابلة للبرمجة، وتشكل هذه البتات العشوائية أساس العمليات الحسابية الاحتمالية على الرقاقة، ويتم تحقيق آلات بولتزمان المتفرقة المتسلسلة المتعددة من خلال مصفوفات معيارية. يمكن تحقيق هذا التصميم المعياري من خلال عدة كتل أجهزة مخصصة على رقاقة واحدة، أو بواسطة رقاقات متعددة تتواصل مع بعضها البعض لتنفيذ مراحل مختلفة من العمليات الحسابية. قام الفريق بتصنيع واختبار مولد أرقام عشوائية تجريبي قائم على الترانزستور، وأظهر أداءً متينًا في ظل محاكاة تغيرات عملية التصنيع.
للتحقق من الأداء، قام الباحثون بمحاكاة هذه البنية باستخدام معالجات الرسوميات (GPU)، وأدرجوا فيها بيانات مُقاسة من مولد الأرقام العشوائية الفيزيائي. أظهرت الاختبارات المعيارية على مجموعة بيانات الصور Fashion-MNIST أن جودة الصور التي تولدها هذه البنية تُضاهي تلك التي تنتجها معالجات الرسوميات، لكن استهلاكها للطاقة يُقدر بواحد على عشرة آلاف فقط من استهلاك الأخيرة لكل عينة مولدة. بالإضافة إلى ذلك، أظهرت طريقة هجينة تجمع بين الشبكات العصبية التقليدية والأجهزة الحرارية إمكانات واعدة على مجموعة بيانات CIFAR-10، حيث استخدمت عددًا من معاملات الشبكة العصبية لا يتجاوز عُشر ما تستخدمه شبكات الخصومة التوليدية التقليدية، مما قد يجعل توزيع المهام الحسابية بين الأنظمة الفرعية المختلفة أكثر عملية.
على الرغم من النتائج المُشجعة، يشير الفريق البحثي إلى وجود قيود. فحتى الآن، تم التحقق الفيزيائي من مولد الأرقام العشوائية القائم على الترانزستور فقط، بينما لا تزال البنية الحاسوبية الكاملة في مرحلة المحاكاة النظرية. كما أن مجموعات بيانات الصور المستخدمة في الاختبارات المعيارية أقل تعقيدًا بكثير من نماذج اللغات الكبيرة الحديثة أو نماذج التوليد المتقدمة. ولا تزال كيفية توسيع نطاق النظام بكفاءة لمعالجة بيانات أكثر تعقيدًا تمثل تحديًا رئيسيًا يواجه الحوسبة الاحتمالية. يرى الفريق أن التقدم المستقبلي من المرجح أن يعتمد على التكامل العميق بين الأجهزة الاحتمالية والشبكات العصبية التقليدية، بدلاً من الاستبدال الكامل لمسرعات الذكاء الاصطناعي الحالية. ينبغي اعتبار هذا البحث بمثابة "خطوة أولى" تستحق المزيد من الاستثمار والاستكشاف.
