⚡ electrical engineering

Silicon Aware Neural Networks

تقدم هذه الورقة طريقة لتعيين شبكات البوابات المنطقية القابلة للتفاضل (DLGNs) مباشرة إلى خلايا CMOS الرقمية القياسية باستخدام دالة فقد تحسن المساحة، مما يبرهن على تنفيذ سيليكوني محاكى بتقنية SkyWater 130 نانومتر يحقق دقة 97% في تصنيف MNIST بسرعة 41.8 مليون استنتاج في الثانية مع استهلاك طاقة قدره 83.88 ميلي واط.

المؤلفون الأصليون: Sebastian Fieldhouse, Kea-Tiong Tang

نُشر 2026-04-22

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Sebastian Fieldhouse, Kea-Tiong Tang

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

إليك شرح لورقة بحثية بعنوان "الشبكات العصبية المدركة للسيليكون" (Silicon Aware Neural Networks)، مترجمة إلى لغة بسيطة وعادية مع بعض التشبيهات الإبداعية.

الفكرة الكبرى: تعليم الذكاء الاصطناعي بناء منزل "ليجو" خاص به

تخيل أنك تريد بناء روبوت يمكنه التعرف على صور القطط والكلاب. عادةً، نحن نعلم هذه الروبوتات (التي تسمى الشبكات العصبية) باستخدام رياضيات تتضمن منحنيات ناعمة ومستمرة (مثل رسم دائرة مثالية). هذا يعمل بشكل رائع على أجهزة الكمبيوتر، ولكن عندما تحاول بناء عقل الروبوت من شرائح إلكترونية حقيقية (سيليكون)، تصبح الأمور فوضوية.

المشكلة:
تتكون رقائق الكمبيوتر الحقيقية من مفاتيح صغيرة تسمى البوابات المنطقية (مثل AND، OR، NOT). هذه البوابات "رقمية" — فهي إما تعمل (ON) أو لا تعمل (OFF)، مثل مفتاح الضوء. وهي لا تفهم "المنحنيات الناعمة". لجعل الذكاء الاصطناعي القياسي يعمل على شريحة، يضطر المهندسون عادةً إلى إجبار الرياضيات الناعمة على التكيف مع هذه المفاتيح الصلبة، وهو أمر يشبه محاولة وضع وتد مربع في ثقب مستدير. هذا غير فعال ويستهلك مساحة وطاقة كبيرة.

الحل (DLGN):
استخدم مؤلفو هذه الورقة حيلة ذكية. بدلاً من إجبار عقل ذو رياضيات ناعمة على الدخول في شريحة رقمية، قاموا ببناء العقل بالكامل من بوابات منطقية رقمية منذ البوادي. هم يسمون هذا شبكة البوابات المنطقية القابلة للتفاضل (DLGN).

فكر في الأمر كالتالي:

الذكاء الاصطناعي القياسي: طباخ يحاول طهي الحساء باستخدام خلاط، ثم يحاول تقديمه بملعقة مخصصة فقط لغرف حبات البطاطس الكاملة.
الذكاء الاصطناعي في هذه الورقة: طباخ يقرر طهي الحساء باستخدام حبات البطاطس والجزر الكاملة فقط، لأن ملعقة التقديم مصممة خصيصاً لهذا الغرض.

كيف فعلوا ذلك: الطالب "المدرك للمساحة"

لم يكتفِ الباحثون ببناء الشبكة فحسب، بل علموا العقل طريقة جديدة للتعلم.

قائمة الخيارات الـ 16: في كل خطوة من خطوات الشبكة، يتعين على الذكاء الاصطناعي اختيار البوابة المنطقية التي سيستخدمها (مثل الاختيار بين بوابة AND أو بوابة OR). هناك 16 خياراً ممكناً.
الخيار "الناعم": أثناء التدريب، لا يختار الذكاء الاصطناعي خياراً واحداً فوراً. بل يحتفظ بـ "قائمة" من الاحتمالات لجميع الخيارات الـ 16. الأمر يشبه طالباً لم يقرر تخصصه بعد، لكنه يميل بنسبة 80% نحو الهندسة و20% نحو الفن. هذا يجعل الرياضيات "ناعمة" بما يكفي للتعلم.
الدرس الجديد (دالة الخسارة): هذا هو الابتكار الأكبر في الورقة. عادةً، يهتم الذكاء الاصطناعي فقط بالحصول على الإجابة الصحيحة (مثلاً: "هل هذا قط؟"). أضاف المؤلفون قاعدة جديدة: "حاول أيضاً استخدام أصغر وأرخص القطع الممكنة."

التشبيه:
تخيل أنك تبني منزلاً.

الذكاء الاصطناعي القديم: "أنا فقط أحتاج أن يقف المنزل. سأستخدم قوالب من الذهب لبناء الجدران لأن شكلها جميل". (دقة عالية، ولكن تكلفة فادحة).
الذكاء الاصطناعي الجديد (المدرك للسيليكون): "أحتاج أن يقف المنزل، ولكن أريد أيضاً توفير المال. سأتحقق من قائمة أسعار الطوب. إذا كان الطوب الخشبي يعمل بنفس كفاءة الطوب الذهبي، فسأستخدم الخشب".

تعلم الذكاء الاصطناعي استبدال البوابات المنطقية المكلفة والضخمة (مثل بوابات XOR، التي تتطلب الكثير من الترانزستورات) ببوابات أرخص وأصغر (مثل بوابات NAND، التي تتطلب عدداً أقل من الترانزستورات) دون فقدان قدرته على التعرف على الصور.

النتيجة: تصميم شريحة حقيقية

قام الفريق بأخذ الذكاء الاصطناعي المدرب وحوله مباشرة إلى مخطط لشريحة سيليكون حقيقية باستخدام عملية تصنيع قياسية (SkyWater 130nm).

التخطيط: قاموا بتوزيع البوابات المنطقية فيزيائياً على خريطة رقمية، مما خلق "ماكرو صلب" (كتلة جاهزة من الدوائر الكهربائية).
الأداء:
- الدقة: تعرّف على الأرقام المكتوبة بخط اليد (MNIST) بدقة 97%.
- السرعة: يمكنه القيام بذلك 41.8 مليون مرة في الثانية. هذا سريع للغاية!
- الطاقة: استهلك طاقة قليلة جداً (حوالي 84 ميلي واط)، وهي تقريباً الطاقة اللازمة لتشغيل مصباح LED صغير.

لماذا يهم هذا الأمر؟

هذه هي المرة الأولى التي ينجح فيها شخص ما في أخذ شبكة عصبية مبنية بالكامل من بوابات منطقية وتحويلها مباشرة إلى تصميم شريحة سيليكون حقيقية.

الخلاصة:
من خلال تعليم الذكاء الاصطناعي الاهتمام بـ الحجم الفيزيائي والتكلفة لمكونات عقله أثناء عملية التعلم، نجح الباحثون في إنشاء شريحة فائقة الكفاءة. الأمر يشبه تعليم طالب ليس فقط كيفية حل مسألة رياضية، بل كيفية حلها باستخدام أقل عدد من الأقلام وأقل قدر من الورق.

هذه خطوة كبيرة للأمام في مجال ذكاء الحافة (Edge AI) — أي وضع ذكاء اصطناعي ذكي وقوي مباشرة في أجهزة صغيرة تعمل بالبطارية (مثل الساعات الذكية أو المستشعرات) دون الحاجة إلى مركز بيانات ضخم للقيام بعملية التفكير.

إليك ملخص تقني مفصل لورقة البحث بعنوان "الشبكات العصبية المدركة للسيليكون" (Silicon Aware Neural Networks) من تأليف سيباستيان فيلدهاوس وكيا-تيونج تانج.

1. بيان المشكلة

تعالج الورقة بحثاً توتراً جوهرياً في تسريع الذكاء الاصطناعي عبر الأجهزة:

عدم التوافق: يعتمد التعلم العميق على دوال مستمرة وقابلة للاشتقاق من أجل التدريب الفعال (الانحدار الاشتقاقي)، بينما تعمل الأجهزة الرقمية على رياضيات منفصلة (بوابات منطقية).
القيود الحالية: يتطلب تحويل الشبكات العصبية القياسية إلى أجهزة عادةً "تقريبات مربكة" مثل التكميم (Quantization) وتبسيط دوال التنشيط، مما قد يؤدي إلى تدهور الأداء.
الفجوة: على الرغم من اقتراح شبكات البوابات المنطقية القابلة للاشتقاق (DLGNs) لتدريب شبكات تتكون بالكامل من بوابات منطقية (مثل NAND و XOR) من أجل الاستدلال عالي السرعة على مصفوفات البوابات المنطقية القابلة للبرمجة (FPGAs) ووحدات معالجة الرسومات (GPUs)، إلا أنه لم يتم تنفيذها مباشرة في السيليكون المخصص (Custom Silicon) قط. علاوة على ذلك، فإن طرق تدريب DLGN الحالية لا تأخذ في الاعتبار القيود الفيزيائية للأجهزة، مثل المساحة المتغيرة واستهلاك الطاقة لمختلف البوابات المنطقية في عملية تصنيع محددة.

2. المنهجية

يقترح المؤلفون سير عمل لتعيين شبكات DLGN المدربة مباشرة على مكتبة خلايا قياسية (Standard Cell Library) بتقنية CMOS، مع تحسين المساحة الفيزيائية أثناء مرحلة التدريب.

أ. شبكات البوابات المنطقية القابلة للاشتقاق (DLGN)

البنية: تتكون الشبكة من "طبقات منطقية" متسلسلة حيث تقوم كل خلية عصبية بحساب دالة منطقية ذات مدخلين.
القابلية للاشتقاق: للسماح بالتدريب عبر الانتشار العكسي (Backpropagation)، يتم تخفيف الاختيار المنفصل للبوابات المنطقية:
1. التخفيف المستمر: يتم تقريب الدوال المنطقية المنفصلة بواسطة مكافئات رياضية مستمرة (على سبيل المثال، $a \land b \approx a \cdot b$ ).
2. الاختيار الاحتمالي باستخدام Softmax: تحتفظ كل عقدة بمتجه من 16 معاملًا قابلًا للتدريب يمثل احتمالية اختيار واحدة من الـ 16 بوابة منطقية ممكنة ذات المدخلين. المخرج هو القيمة المتوقعة لهذه البوابات موزونة باحتمالاتها.
3. التحويل إلى قيم منفصلة (Discretization): بعد التدريب، يتم "تقسية" الشبكة عن طريق تعيين بوابة منطقية واحدة ذات أعلى احتمالية لكل عقدة.

ب. التدريب المدرك للسيليكون (دالة خسارة مبتكرة)

الابتكار الجوهري هو دالة خسارة مدركة للمساحة (Area-Aware Loss Function) توجه الشبكة لاختيار البوابات المنطقية التي تقلل المساحة الفيزيائية للسيليكون.

التعيين (Mapping): يتم تعيين الـ 16 دالة منطقية محتملة إلى خلايا قياسية محددة في مكتبة عملية SkyWater 130nm (المقدمة من Cadence). بعض الدوال المعقدة يتم تعيينها لمجموعات من الخلايا (على سبيل المثال، يمكن بناء XOR من NOR و INV).
حساب المساحة المتوقعة: أثناء التدريب، يتم حساب المساحة المتوقعة للخلية العصبية كمجموع موزون لمساحات الـ 16 بوابة، بناءً على احتمالات اختيارها الحالية:
$E[\text{area}_n] = \sum_{i=0}^{15} p_{n,i} \cdot A_i$
حيث أن $p_{n,i}$ هو احتمال softmax للبوابة $i$ و $A_i$ هي المساحة الفيزيائية لتلك الخلية القياسية للبوابة.
إجمالي الخسارة: يجمع هدف التدريب بين خسارة الإنتروبيا المتقاطعة للتصنيف ( $L_{CE}$ ) وعقوبة المساحة:
$L_{total} = L_{CE} + \delta \cdot L_{area}$
حيث أن $\delta$ هو معامل (Hyperparameter) يوازن بين الدقة وتقليل المساحة.

ج. تدفق التنفيذ

التدريب: يتم تدريب DLGNs على مجموعات بيانات MNIST و CIFAR-10 باستخدام خسارة المساحة.
توليد قائمة الوصلات (Netlist Generation): يتم تحويل النموذج المدرب إلى قائمة وصلات على مستوى البوابة باستخدام الخلايا القياسية المستهدفة.
التصميم الفيزيائي: يتم وضع وتوجيه (Place and Route) قائمة الوصلات باستخدام Cadence Innovus لإنشاء ماكرو صلب (Hard Macro) مخصص.
التحقق: يتم إجراء التحقق الوظيفي عبر محاكاة مستوى البوابة (Xcelium)، يليه تحليل القدرة بعد التصميم (Post-layout power analysis).

3. المساهمات الرئيسية

أول تنفيذ في السيليكون: هذا هو العمل الأول الذي ينفذ DLGN مباشرة كدائرة سيليكون مخصصة (خلايا قياسية) بدلاً من مجرد تنفيذها على FPGA أو CPU.
التعلم المدرك للمساحة: تقديم دالة خسارة مبتكرة تسمح للشبكة العصبية بـ "تعلم" أي البوابات المنطقية تستخدم بناءً على تكلفة المساحة الفيزيائية لمكتبة الخلايا القياسية المستهدفة، مما يحسن فعليًا معايير القدرة والأداء والمساحة (PPA) للأجهزة أثناء مرحلة التدريب.
محاكاة شاملة من البداية للنهاية: سير عمل كامل من التدريب إلى المحاكاة بعد التصميم في عملية SkyWater 130nm، مما يثبت جدوى التصميم "المدرك للسيليكون".

4. النتائج

أ. ديناميكيات التدريب

حدد المؤلفون تجريبيًا أن معامل الموازنة $\delta = 0.01$ يقلل مساحة الدائرة بفعالية دون تدهور كبير في دقة التصنيف.
أداء MNIST:
- الأساس (بدون خسارة المساحة): دقة 98.04%، متوسط مساحة 9.38 $\mu m^2$ لكل خلية عصبية.
- المدرك للمساحة: دقة 97.66%، متوسط مساحة 6.107 $\mu m^2$ لكل خلية عصبية.
- النتيجة: تقليل بنسبة 35% في إجمالي مساحة الدائرة (من ~3.0M $\mu m^2$ إلى ~1.95M $\mu m^2$ ) مع انخفاض طفيف قدره ~0.4% في الدقة.
CIFAR-10: لوحظت تخفيضات مماثلة في المساحة (من ~12.8M إلى ~9.6M $\mu m^2$ ) مع مقايضة طفيفة في الدقة.

ب. أداء الأجهزة (بعد التصميم - Post-Layout)

تمت محاكاة ماكرو MNIST النهائي في عملية SkyWater 130nm:

الدقة: 97% (في محاكاة السيليكون).
الإنتاجية (Throughput): 41.8 مليون استدلال في الثانية (بناءً على أسوأ حالة لتأخير المسار الحرج وهي 23.9 نانو ثانية).
استهلاك الطاقة: 83.88 ميجاوات.
الطاقة لكل استدلال: 2.0 نانو جول.

ج. مقياس التكنولوجيا (Technology Scaling)

قدر المؤلفون الأداء في حال تم توسيع النطاق إلى عملية 16 نانومتر باستخدام مقياس تأخير العاكس FO4:

زمن الاستجابة (Latency) المقدر: ~4.2 نانو ثانية.
الطاقة المقدرة: ~69 بيكو جول لكل استدلال.
المقارنة: كفاءة الطاقة عند مقياس 16 نانومتر (69 بيكو جول) تنافس أو تتفوق على معجلات الذكاء الاصطناعي المتخصصة الأخرى المذكورة في الورقة (مثل CICC'21 التي بلغت 0.18 $\mu$ J).

5. الأهمية

سد الفجوة: نجح هذا العمل في سد الفجوة بين خوارزميات الذكاء الاصطناعي القابلة للاشتقاق والقيود الرقمية للأجهزة، مما يثبت أن الشبكات العصبية يمكن تدريبها لتكون "أصلية للأجهزة" (Hardware-native) منذ البداية.
الكفاءة: من خلال التحسين للمساحة أثناء التدريب، تصبح الدوائر الناتجة أصغر حجمًا وأكثر كفاءة في استهلاك الطاقة من تلك التي يتم تدريبها فقط من أجل الدقة ثم تُنقل إلى الأجهزة.
قابلية إعادة الإنتاج مفتوحة المصدر: إن استخدام مجموعة أدوات تطوير (PDK) SkyWater 130nm مفتوحة المصدر ومكتبات Cadence يجعل هذا البحث شفافًا وقابلًا لإعادة الإنتاج، وهو أمر نادر في أبحاث ASIC المخصصة التي غالبًا ما تكون مملوكة لجهات خاصة.
النظرة المستقبلية: رغم أن هذا العمل عبارة عن محاكاة (والإنتاج الفعلي/Tape-out هو عمل مستقبلي)، إلا أنه يثبت صحة مفهوم التصميم المدفوع بالذكاء الاصطناعي للدوائر، مما يشير إلى مستقبل يمكن للشبكات العصبية فيه تحسين تنفيذها الفيزيائي تلقائيًا لعمليات تصنيع محددة.