An Embedded RISC-V Evaluation of Kolmogorov--Arnold Networks in Hard-Constrained Recurrent Physics-Informed Models
تُثبت هذه الورقة أنه بينما توفر شبكات كولموغوروف-أرنولد (KANs) كفاءة في المعلمات كفروع متبقية في النماذج الفيزيائية المستنيرة تكرارية القيود الصارمة، إلا أنها تتراجع بشكل كبير عن أداء المدركات متعددة الطبقات (MLPs) على نوى RISC-V المدمجة من حيث زمن تنفيذ العمليات، واستهلاك الطاقة، والمتانة تجاه التكميم، مما يجعل المدركات متعددة الطبقات هي الخيار الافتراضي الأكثر موثوقية لمثل هذه عمليات النشر.
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
تخيل أنك تقوم ببناء روبوت يحتاج إلى فهم قوانين الفيزياء ليتحرك بشكل صحيح. إذا قمت فقط بتعليم الروبوت التخمين حول كيفية حركة الأشياء من خلال النظر إلى ملايين الصور، فقد يصاب بالارتباك عندما يرى شيئاً جديداً، أو والأسوأ من ذلك، قد يرتكب خطأً خطيراً لأنه "هلوس" قانوناً فيزيائياً غير موجود. ولإصلاح ذلك، يستخدم العلماء حيلة ذكية تسمى النموذج "المستنير بالفيزياء" (Physics-Informed). فكر في الأمر كأنك تعطي الروبوت كتاباً مدرسياً للقوانين المعروفة (مثل الجاذبية أو الاحتكاك) وتقول له: "أنت تعرف هذه القواعد تماماً. الآن، استخدم عقلك فقط لتكتشف التفاصيل الصغيرة الفوضوية التي أغفلها الكتاب المدرسي". هذا "العقل" عادة ما يكون برنامجاً حاسوبياً بسيطاً وسريعاً يسمى الشبكة العصبية.
مؤخراً، أصبح نوع جديد من الشبكات العصبية يسمى "شبكة كولموغوروف-أرنولد" (أو KAN اختصاراً) يحظى بشعبية كبيرة. وقد تم تسويقه على أنه نسخة فائقة الكفاءة وخفيفة الوزن من "العقل" القديم، حيث يعد بالقيام بنفس المهمة مع تخزين أعداد أقل في الذاكرة. وهذا أمر بالغ الأهمية للأجهزة الصغيرة التي تعمل بالبطارية مثل الطائرات بدون طيار أو المستشعرات الطبية، حيث كل جزء من الذاكرة وكل قطرة من الطاقة لها قيمتها. لكن هناك عقبة: بينما تعد شبكات KAN رائعة في توفير المساحة على الورق، إلا أنها قد تكون خرقاء وبطيئة عند تشغيلها فعلياً على شريحة كمبيوتر صغيرة حقيقية. والسؤال الكبير هو: هل يوفر هذا "العقل" الجديد "الفعال" الطاقة والوقت حقاً عند استخدامه في العالم الحقيقي، أم أن رياضياتها المتطورة تجعلها بطيئة جداً لدرجة تمنع فائدتها؟
تضع هذه الورقة هذا السؤال تحت الاختبار من خلال مواجهة "العقل" التقليدي (الذي يسمى MLP) مع شبكة KAN على شريحة كمبيوتر صغيرة وحقيقية (معالج RISC-V). لم يكتفِ الباحثون بمراقبة مدى جودة تعلمهما، بل قاسوا بالضبط الوقت الذي استغرقه كل منهما لاتخاذ قرار وكمية طاقة البطارية التي استهلكها كل منهما. ووجدوا أنه بينما تعد شبكة KAN أصغر حجماً بالفعل، إلا أنها بطيئة بشكل مفاجئ وتستهلك الكثير من الطاقة. فعند تشغيل نفس المهمة، وُجد أن شبكة KAN كانت أبطأ بمقدار 8.0 إلى 13.5 مرة من شبكة MLP التقليدية. والأسوأ من ذلك، أنها استهلكت طاقة أكثر بمقدار 5.6 إلى 11.3 مرة لكل خطوة واحدة من حساباتها.
كما اختبر الباحثون ما يحدث عندما تحاول جعل هذه النماذج أصغر حجماً حتى أكثر من خلال تقريب أرقامها (وهي عملية تسمى التكميم/quantization)، وهو أمر شائع لتوفير المساحة في الأجهزة الصغيرة. وهنا، انهارت شبكات KAN بشكل أسرع بكثير. ففي أحد الاختبارات، ذهبت توقعات KAN بعيداً عن الصواب بشكل جنوني بعد 6.5 خطوة فقط، بينما استمرت شبكة MLP التقليدية في العمل بشكل صحيح لمدة 282 خطوة، وهو فرق قدره 43 ضعفاً في الموثوقية. وتخلص الدراسة إلى أنه على شرائح الكمبيوتر الصغيرة والقياسية، فإن وعود الكفاءة لشبكات KAN لا تصمد. وما لم يقم المهندسون بتصميم أجهزة خاصة مخصصة لشبكات KAN، فإن شبكة MLP التقليدية تظل الخيار الأكثر موثوقية وسرعة وكفاءة في استهلاك الطاقة لتشغيل النماذج القائمة على الفيزياء في الأجهزة المدمجة.