لقد ابتكر علماء IBM Research Europe مؤخرًا عالمًا جديدًا في الحوسبة في الذاكرة من خلال شريحة مكونة من 64 نواة تعتمد على أجهزة ذاكرة متغيرة الطور. من المتصور أن تعمل هذه التقنية المتطورة على تعزيز عمل الشبكات العصبية العميقة من خلال الحفاظ على دقة خوارزميات التعلم العميق مع تقليل فترات الحساب واستهلاك الطاقة بشكل كبير.
قال مانويل لو جالو، المؤلف المشارك لورقة البحث الرائدة، إنهم كانوا يستكشفون أجهزة ذاكرة تغيير الطور (PCM) للحساب لأكثر من سبع سنوات. بدأت الرحلة بشرح الفريق كيفية تنفيذ الوظائف العصبية باستخدام أجهزة PCM الفردية. من هذه النقطة فصاعدًا، أثبتت IBM Research Europe أن أجهزة PCM يمكن أن تفيد بشكل كبير مجالات الحوسبة، مثل الحوسبة العلمية واستدلال الشبكة العصبية العميقة. باستخدام أحدث شرائحهم، اقترب الباحثون خطوة أخرى من مسرع الاستدلال التناظري للذكاء الاصطناعي الشامل.
حقق لو جالو ومعاونوه هذا العمل الفذ من خلال تجميع النوى القائمة على PCM مع معالجات الحوسبة الرقمية. تم ربط هذين العنصرين من خلال تنفيذ شبكة اتصالات رقمية على الرقاقة. الشريحة الناتجة عبارة عن اندماج مبتكر لـ 64 نواة تناظرية قائمة على PCM، كل منها يشتمل على مجموعة من العارضات مقاس 256 × 256 من خلايا الوحدة المتشابكة.
يمثل دمج المحولات التناظرية إلى الرقمية المدمجة والمعتمدة على الوقت داخل كل نواة بمثابة انتقال بين العوالم التناظرية والرقمية. وأوضح لو جالو كذلك، مضيفًا أن كل نواة تشتمل أيضًا على وحدات معالجة رقمية خفيفة الوزن تقوم بوظائف التنشيط العصبي للوحدة الخطية المعدلة (reLU) وعمليات القياس. بالإضافة إلى ذلك، تتميز الشريحة بوحدة معالجة رقمية عالمية موجودة في مركزها والتي تسهل عمليات شبكة الذاكرة طويلة المدى (LSTM).
إحدى الخصائص البارعة لشريحة الحوسبة الموجودة في الذاكرة من شركة IBM هي الاتصال بين مراكز الذاكرة ووحدة المعالجة الموجودة عالميًا من خلال شبكة اتصالات رقمية. يمكّن هذا التصميم الشريحة من تنفيذ جميع العمليات الحسابية المرتبطة بالطبقات الفردية للشبكة العصبية الموجودة على الشريحة، مما يؤدي إلى تخفيضات كبيرة في أوقات الحساب واستهلاك الطاقة.
ولتقييم فعالية الشريحة الجديدة، أجرى فريق بحث IBM دراسة شاملة، حيث طبق خوارزميات التعلم العميق على الشريحة الخاصة بهم وقام بتقييم أدائها. وكانت النتائج مشجعة، حيث حققت الشبكات العصبية العميقة المدربة على مجموعة بيانات الصور CIFAR-10 لمهام التعرف على الصور معدل دقة متميزًا قدره 92.81% عند تشغيلها على الشريحة.
مما لا شك فيه أن إنجازات IBM Research Europe تمثل قفزة إلى الأمام في تطوير شرائح الحوسبة التناظرية في الذاكرة (AIMC) التي يمكنها تلبية متطلبات وتحديات خوارزميات التعلم العميق بكفاءة. وفي السنوات القادمة، يمكن تحسين البنية التي قدمها لو جالو وفريقه لتحقيق أداء متفوق.
على الرغم من التقدم الذي حققته شركة IBM، إلا أنه لا يمكن تجاهل حالات الاستخدام المحتملة لهذه التقنية في البيئة no-code أو low-code. توفر شرائح الحوسبة في الذاكرة القابلة للتطوير وعالية الأداء قيمة كبيرة من خلال التكامل بسلاسة مع الأنظمة الأساسية no-code مثل AppMaster. يمكن أن يؤدي هذا التكامل إلى تحسن كبير في دقة النماذج في تطبيقات التعلم الآلي، مما يوفر زمن وصول أقل وسرعات أعلى وكفاءة محسنة للمستخدمين.
