تقنيات مبتكرة تعزز أداء الأنظمة الذكية بالذكاء الاصطناعي الإنتاجي 

منصة الذكاء الاصطناعي – متابعات

قدم باحثون من جامعة MIT وشركة NVIDIA تقنيتين تسرعان معالجة التناظرات النادرة، وهي نوع من هياكل البيانات المستخدمة في المهام الحسابية ذات الأداء العالي. تتيح هاتين التقنيتين المتكاملتين تحسينات كبيرة في أداء وكفاءة الطاقة للأنظمة مثل النماذج الضخمة للذكاء الاصطناعي التي تدعم الذكاء الاصطناعي الإنتاجي.

التناظرات هي هياكل بيانات تستخدم في نماذج الذكاء الاصطناعي. تهدف الطرق الجديدة إلى استخدام التجاوب بكفاءة للقيم المعروفة باسم “التناظر الضعيف” في التناظرات. عند معالجة هذه التناظرات، يمكن تجاوز القيم الصفرية وتوفير الحساب والذاكرة. على سبيل المثال، يمكن تجاوز أي عملية تضرب بصفر، حيث يكون الناتج صفر، وبالتالي يمكن ضغط التناظرة (حيث لا يحتاج الصفر إلى تخزينه) لتخزين جزء أكبر في الذاكرة الداخلية.

ومع ذلك، هناك العديد من التحديات في استغلال التناظر الضعيف. إيجاد القيم غير الصفرية في تناظرة كبيرة ليست مهمة سهلة. تقتصر الطرق الموجودة حاليًا على تحديد مواقع القيم غير الصفرية عن طريق فرض نمط تناظر ضعيف لتبسيط البحث، ولكن هذا يقيد تنوع التناظرات النادرة التي يمكن معالجتها بكفاءة.

تحدي آخر هو أن عدد القيم غير الصفرية قد يختلف في مناطق مختلفة من التناظرة. وهذا يجعل من الصعب تحديد المساحة المطلوبة لتخزين المناطق المختلفة في الذاكرة. لضمان ملائمة المنطقة، غالبًا ما يتم تخصيص مساحة أكبر مما هو مطلوب، مما يؤدي إلى استخدام غير فعال لمخزن البيانات، وهذا يزيد من حركة الذاكرة الخارجية، مما يزيد من استهلاك الطاقة.

صاغ باحثو MIT وNVIDIA حلاً لمعالجة هذه المالمشاكل. أولاً، قاموا بتطوير تقنية تتيح للأجهزة العتادية إيجاد القيم غير الصفرية بكفاءة لمجموعة أوسع من أنماط التناظر الضعيف.

أما الحل الآخر الذي طوروه، فهو طريقة تتعامل مع حالة عدم تناسب البيانات مع الذاكرة، وهو ما يزيد من استخدام مخزن البيانات ويقلل من حركة الذاكرة الخارجية.

كلا الحلين يعززان أداء ويقللان من متطلبات الطاقة لوحدات تسريع العتاد المصممة خصيصًا لتسريع معالجة التناظرات النادرة.

هذا المحتوى تم بمعرفة وحدة الذكاء الاصطناعي.