Bit-Accurate FPGA Evaluation of Learned Feature Gating in a Fixed-Point Fourier-Feature Automatic Modulation Classifier

تخيل أنك محقق راديو يحاول تحديد رسالة سرية مخبأة داخل موجة راديو مليئة بالضجيج. قد تكون الرسالة همسة، أو صرخة، أو نقرة شفرة مورس، أو زقزقة رقمية معقدة، لكنك لا تعرف أي نوع هي. هذه هي وظيفة التصنيف التلقائي للتعديل (AMC). في العالم الحقيقي، يساعد هذا الراديوهات على معرفة كيفية التحدث مع بعضها البعض، ويساعد الشرطة على مراقبة الموجات الهوائية، ويسمح للمعدات العسكرية بتمييز الصديق من العدو. عادةً، تقوم الحواسيب بذلك عبر الاستماع إلى الموجة وتشغيل "عقل" (شبكة عصبية) لتخمين النوع. ولكن ماذا لو كنت بحاجة إلى أن يعمل هذا المحقق داخل شريحة صغيرة فائقة السرعة تسمى FPGA؟ هذه الشرائح تشبه آلات منطقية مخصصة يمكن إعادة برمجتها لأداء مهام رياضية محددة بسرعة هائلة، لكن لديها ميزانية صارمة للمساحة والطاقة.

الآن، تخيل أن لديك مساعداً ذكياً يمكنه النظر إلى الأدلة وقول: "مهلاً، تجاهل هذا الجزء المليء بالضجيج، إنه عديم الفائدة؛ ركز فقط على الأجزاء المهمة!". في البرمجيات، تعتبر هذه "بوابة الميزات" (feature gating) حيلة شائعة لجعل الذكاء الاصطناعي أكثر ذكاءً. ولكن في عالم الأجهزة (Hardware) الصلب، كل عملية حسابية إضافية تكلف مساحة حقيقية وتستغرق وقتاً. السؤال الكبير الذي يطرحه هذا البحث هو: هل يستحق هذا المساعد الذكي التكلفة الإضافية عندما يعمل المحقق بالفعل داخل شريحة صغيرة ذات نقطة ثابتة (fixed-point)؟ لقد بنى المؤلفون محقق راديو شديد التراص باستخدام مجموعة محددة من 32 دليلاً (مزيج من التردد والأنماط الإحصائية) واختبروا نسختين: إحداهما مع "المساعد الذكي" (البوابة) والأخرى بدونه. لقد شغلوهما على لوحة فيزيائية حقيقية، وليس مجرد محاكاة حاسوبية، ليروا ما إذا كان هذا العقل الإضافي سيساعد حقاً أم سيجعل الآلة أبطأ وأكبر حجماً.

التجربة: حكاية محققين

أقام الباحثون سباقاً بين نسختين من مصنف الراديو. يبدأ كلا المحققين بنفس المادة الخام: نبضة قصيرة من إشارة راديو تحتوي على 128 عينة. قبل أن ينظر المحقق إلى الإشارة، يقوم حاسوب مضيف بتنظيفها وتحويلها إلى رقم بنقطة ثابتة (طريقة محددة للتعامل مع الكسور يحبها نظام الشرائح).

بعد ذلك، يستخرج المحققان 32 دليلاً من هذه الإشارة. فكر في هذه الأدلة كتقرير ملخص: 24 دليلاً تخبر المحقق عن الطاقة في حزم ترددية مختلفة (مثل التحقق من مدى علو صوت الراديو عند طبقات صوت مختلفة)، و8 أدلة تخبرهم عن شكل وإيقاع الموجة (مثل التحقق مما إذا كانت الإشارة تدور أو تتذبذب بطريقة معينة).

المتنافسان:

1. المحقق "غير المبوّب" (Ungated): يأخذ هذا المحقق الـ 32 دليلاً ويغذيها مباشرة في شبكة عصبية صغيرة (عقل من 32 إلى 128 إلى 11 مدخل/مخرج) ليقوم بالتخمين. إنه رشيق، قوي، وسريع.
2. المحقق "المبوّب" (Gated): يحتوي هذا المحقق على خطوة إضافية. قبل تغذية الأدلة إلى العقل، يمررها عبر "بوابة". هذه البوابة هي مرشح متعلم يحاول تحديد أي الأدلة مهمة لهذه الإشارة تحديداً وأيها يجب خفضه. إنها تضرب الأدلة في رقم بين 0 و1 لتقليل الضجيج وتعزيز الإشارة.

قام الباحثون بتدريب كلا المحققين باستخدام طريقتين مختلفتين: إحداهما حيث يتم تحويل البرمجيات إلى رياضيات الأجهزة لاحقاً (PTQ)، والأخرى حيث يتم تدريب رياضيات الأجهزة مباشرة (QAT). فعلوا ذلك مرتين مع بذور عشوائية مختلفة لضمان أن النتائج ليست مجرد ضربة حظ. ثم قاموا بتحميل النسخ الثماني على لوحة Intel Cyclone V FPGA حقيقية وشغلوها ضد 352,000 إشارة راديو مختلفة.

النتائج: البوابة كانت عبئاً، لا دفعة للأمام

كانت النتيجة واضحة ومثيرة للدهشة لعشاق الذكاء الاصطناعي. المحقق بدون البوابة فاز في كل مرة.

في جميع المقارنات الأربع المتطابقة (بناءً على بذور التدريب المختلفة وطرق الرياضيات)، كان المحقق "غير المبوّب" أكثر دقة.

• عند استخدام طريقة التحويل القياسية (PTQ)، كان النسخة المبوّبة أقل دقة بمعدل 0.784 نقطة مئوية.
• عند استخدام التدريب المدرك للأجهزة (QAT)، كان النسخة المبوّبة أقل دقة بمعدل 0.616 نقطة مئوية.

تبين أن بالنسبة لهذا النوع المحدد من المحققين المدمجين، لم يكن المساعد الذكي يعرف شيئاً لا يعرفه العقل الرئيسي بالفعل. كانت الـ 32 دليلاً مضغوطة ومحددة للغاية لدرجة أن البوابة لم تستطع إيجاد أي طريقة جديدة لتحسينها. وبدلاً من المساعدة، كانت البوابة تعيق العمل.

تكلفة البوابة
قاس الباحثون بالضبط ما كلفته البوابة للأجهزة: إضافة هذا "المساعد الذكي" لم يكن مجانياً:

• أضاف 1,318 من الكتل المنطقية (ALMs).
• أضاف 1,557 من سجلات الذاكرة.
• استخدم 4 إضافية من كتل معالجة الإشارات الرقمية (DSP).
• جعل المحقق يستغرق 3,140 دورة ساعة إضافية لإنهاء المهمة.

عند سرعة 50 ميجاهرتز، أضاف هذا الوقت حوالي 62.80 ميكروثانية إلى التأخير. ورغم أن هذا يبدو ضئيلاً، إلا أنه في عالم الراديو عالي السرعة، كل ميكروثانية لها قيمتها، وكل كتلة منطقية إضافية هي جزء من الشريحة لا يمكن استخدامه لشيء آخر.

الحكم النهائي

تحقق الباحثون أيضاً من عملهم بدقة متناهية. قاموا بتشغيل تنبؤات الـ FPGA مقابل برنامج حاسوبي مستقل يقوم بنفس العمليات الرياضية تماماً. تطابقت جميع التنبؤات الـ 352,000 تماماً. حتى أنهم فحصوا 3,760 خطوة وسيطة (مثل القيم داخل البوابة) وتطابقت أيضاً. وهذا يثبت أن الأجهزة كانت تفعل بالضبط ما تقوله الرياضيات.

تخلص الدراسة إلى أنه بالنسبة لهذا الإعداد المحدد —استخدام 32 ميزة فورية وإحصائية على FPGA بنقطة ثابتة— فإن إضافة بوابة ميزات متعلمة هو صفقة خاسرة. فهي تزيد من تكلفة الأجهزة وتبطئ المعالجة دون جعل التصنيف أفضل. في الواقع، جعلته أسوأ قليلاً.

يقترح المؤلفون أن "البوابة" قد تكون مفيدة إذا كانت بيانات المدخلات أكبر بكثير أو أكثر تعقيداً، ولكن بالنسبة لهذا الملخص المسبق والمعالج والمدمج لإشارة راديو، فإن الطبقة الإضافية من التعقيد لم تكن تستحق الثمن. الدرس المستفاد هنا هو أنه في تصميم الأجهزة، أحياناً يكون المسار الأبسط هو الأذكى، وإضافة طبقة "ذكية" لا تجعل النظام دائماً أكثر ذكاءً.