🤖 machine learning

Design-Time Optimization of Deep Neural Networks for Intermittent Learning on Microcontrollers

تقدم هذه الورقة إطار عمل للتحسين متعدد الأهداف ومراعٍ للأجهزة، يتيح اختيار الشبكات العصبية العميقة في وقت التصميم من أجل تعلم مستمر وموثوق على الأجهزة عند مرحلة التصميم للتعلم المتقطع على المتحكمات الدقيقة ذاتية الطاقة، وذلك عبر التنبؤ بدقة باستهلاك الطاقة لكل طبقة وتكاليف نقاط الفحص.

المؤلفون الأصليون: Jakob Schubert, Maximilian Kasper, Maximilian Linke, Benedict Herzog, Mark Deutel, Axel Plinge, Dominik Seuss, Christopher Mutschler

نُشر 2026-08-05

📖 3 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Jakob Schubert, Maximilian Kasper, Maximilian Linke, Benedict Herzog, Mark Deutel, Axel Plinge, Dominik Seuss, Christopher Mutschler

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 تحاول تعليم روبوت صغير يعمل بالبطارية التعرف على صوت صديق أو رصد جزء مكسور في آلة. يعيش هذا الروبوت في غابة نائية أو على عوامة طافية، يستمد طاقته فقط من الشمس أو الرياح. تكمن المشكلة في أن الطبيعة متقلبة؛ فقد تختبئ الشمس خلف سحابة، أو تهدأ الرياح، مما يؤدي إلى نفاد بطارية الروبوت في منتصف مهمته. في عالم الذكاء الاصطناعي، يعد هذا كابوساً. فعادةً، إذا انقطع التيار الكهربائي عن جهاز كمبيوتر أثناء تعلمه، فإنه ينسى كل ما توصل إليه للتو، وعليك البدء من الصفر. تعالج هذه الورقة البحثية هذا الصداع تحديداً: كيف نعلم هذه الروبوتات الصغيرة المتعطشة للطاقة التعلم حتى عندما يكون إمداد الطاقة لديها غير موثوق ويتغير باستمرار بين التشغيل والإيقاف؟ يعمل المؤلفون عند تقاطع "الحواسيب الصغيرة" (المتحكمات الدقيقة)، و"حصاد الطاقة" (امتصاص الطاقة من البيئة)، و"الحوسبة المتقطعة" (طريقة لحفظ التقدم بحيث يمكنك استئناف العمل من حيث توقفت تماماً بعد انقطاع التيار).

أدرك الباحثون، بقيادة ياكوب شوبرت وفريقه، أن تصميم عقل ذكي لهذه الروبوتات يشبه محاولة بناء منزل دون معرفة كمية الأمطار التي ستسقط غداً. فإذا بنيت منزلاً ثقيلاً ومعقداً (شبكة عصبية عميقة)، فقد يكون رائعاً في التعلم، ولكن إذا تطلب بناء طبقة واحدة من المنزل طاقة أكبر مما يمكن لبطارية الروبوت استيعابه دفعة واحدة، فإن المشروع بأكمله سينهار عندما تومض الطاقة. وتتضمن الأساليب التقليدية لاختبار هذه التصاميم بناء الروبوت، ووضعه في الميدان، والانتظار حتى تنفد الطاقة لمعرفة ما سيحدث. وهذا أمر بطيء ومكلف ومحبط.

بدلاً من انتظار فشل الطاقة، ابتكر المؤلفون "بلورة سحرية" لاستهلاك الطاقة. لقد بنوا نموذجاً رياضياً يمكنه التنبؤ بدقة بمقدار الطاقة التي ستستغرقها كل خطوة من خطوات عملية تعلم الروبوت، قبل حتى بناء الروبوت نفسه. إنهم يسمون ذلك "التحسين في وقت التصميم". فكر في الأمر مثل مصمم ألعاب فيديو يمكنه محاكاة فيزياء القفزة في برنامج كمبيوتر ليرى ما إذا كانت الشخصية ستعبر الفجوة، دون الحاجة أبداً لبناء ترامبولين حقيقي. ينظر نموذجهم إلى "مكونات" الشبكة العصبية (كم عدد الحسابات التي تحتاجها وكم مقدار الذاكرة التي تلمسها) ويقدر تكلفة الطاقة بدقة مذهلة.

وهنا يكمن الجزء الذكي: لم يتنبأوا فقط بمقدار الطاقة اللازمة "للنظر" إلى البيانات (الاستدلال)؛ بل تنبأوا أيضاً بمقدار الطاقة اللازمة "للتعلم" من البيانات (التدريب). وهذا أمر بالغ الأهمية لأن التعلم يستهلك طاقة أكبر بكثير. كما أخذوا في الاعتبار التكاليف الإضافية لعملية "نقاط التحقق" (checkpointing)—وهي تلك القدر الضئيل من الطاقة الإضافية اللازمة لحفظ تقدم الروبوت في ذاكرة خاصة غير متطايرة (مثل دفتر ملاحظات رقمي لا يحتاج إلى طاقة ليبقى مفتوحاً) في كل مرة تنخفض فيها البطارية.

اختبر الفريق فكرتهم على نوع معين من الحواسيب الصغيرة يسمى متحكم "Cortex-M4" (تحديداً nRF52840). استخدموا "بلورتهم السحرية" للطاقة للبحث عبر الآلاف من تصاميم أدمغة الروبوتات المحتملة لإيجاد تلك التي كانت ذكية بما يكفي لرصد الشذوذ (مثل محمل آلة مكسور) وصغيرة بما يكفي لتناسب ميزانية الطاقة المتقطعة الضئيلة للروبوت. ووجدوا أن نموذج التنبؤ الخاص بهم كان جيداً جداً، حيث بلغ الخطأ المرجح حوالي 16.6% لطبقات الشبكة، ونسبة ضئيلة بلغت 0.9% لجزء حفظ الذاكرة.

كانت النتائج مبهرة. فمن خلال استخدام نموذجهم لاختيار التصميم المناسب، تمكنوا من إيجاد دماغ لروبوت يستخدم طاقة أقل بنسبة 94% تقريباً من نسخة أقل تحسيناً، مع استمرار أدائه للمهمة بشكل صحيح. وقد أظهروا أن التصميم الذي يبدو فعالاً على الورق قد يفشل فعلياً إذا تطلبت خطوة واحدة منه الكثير من الطاقة دفعة واحدة، لكن نموذجهم استطاع رصد هذه "الفخاخ الطاقية" قبل حدوثها. باختصار، أثبتوا أنه يمكنك تصميم روبوتات ذكية تتعلم ذاتياً للعمل في البرية دون الحاجة إلى بناء واختبار مئات النماذج الأولية، وذلك ببساطة عن طريق استخدام حاسبة ذكية للتنبؤ باحتياجات الطاقة لكل خطوة صغيرة من عملية التعلم. وهذا يسد الفجوة بين الذكاء الاصطناعي المعقد والواقع القاسي للعمل بالطاقة الشمسية أو طاقة الرياح في العالم الحقيقي.

أبحاث مشابهة