Precision-Aware Variable Bit Processing Elements for Hardware-Efficient Systolic Array Designs
تقترح هذه الورقة تصميماً لمصفوفة انقباضية كفؤاً من حيث الأجهزة، يستخدم مضاعفات نقطة عائمة تقريبية محسّنة بواسطة خوارزمية NSGA-II مع تقليم الأعمدة ودمج الضواغط لتحقيق تخفيضات جوهرية في المساحة، والطاقة، والتأخير (تصل إلى 92%، و93%، و54% على التوالي) مع الحفاظ على دقة مماثلة للشبكات العصبية الالتفافية عبر تنسيقات FP32 وTF32 وBF16.
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
في عالمنا المعاصر، تقوم أجهزتنا الرقمية باستمرار بإجراء عدد هائل من العمليات الحسابية للتعرف على الوجوه في الصور، أو ترجمة اللغات، أو توجيه حركة المرور. وفي قلب هذه المهام تكمن عملية رياضية محددة تسمى الضرب، وهي ضرورية لمعالجة الأنماط المعقدة الموجودة في الصور والبيانات. ولعقود من الزمن، قام المهندسون ببناء رقائق حاسوبية لأداء عمليات الضرب هذه بدقة متناهية، مما يضمن حساب كل رقم بدقة كما لو كان يُحسب على الورق. يضمن هذا النهج الدقة، ولكنه يأتي بتكلفة: فالدارات المطلوبة للحفاظ على هذه الدقة المثالية كبيرة، وتستهلك كميات كبيرة من الكهرباء، وتولد حرارة. ومع نمو حاجتنا إلى حوسبة أسرع وأقوى، يتم الوصول إلى الحدود الفيزيائية لجعل هذه الدارات أصغر حجمًا، مما يخلق عقبة أمام التكنولوجيا المستقبلية.
لقد ظهرت فلسفة مختلفة لحل هذه المشكلة، وهي فلسفة تقبل قدرًا صغيرًا ومسيطرًا عليه من الخطأ مقابل مكاسب هائلة في السرعة والكفاءة. يعمل هذا المفهوم، المعروف باسم "الحوسبة التقريبية"، على فكرة أن العديد من المهام الواقعية، مثل تحديد قطة في صورة فوتوغرافية أو ضغط ملف فيديو، لا يمكن للعين والدماغ البشريين اكتشاف الاختلافات الطفيفة الناتجة عن رياضيات غير دقيقة تمامًا. إذا استطاع الحاسوب تخطي الأجزاء الأكثر صعوبة من العملية الحسابية، فيمكنه إنهاء المهمة بشكل أسرع مع استخدام طاقة أقل بكثير. وكان التحدي الذي واجه الباحثين هو معرفة مقدار الدقة التي يمكن التضحية بها دون إفساد النتيجة النهائية، وهي عملية توازن تتطلب التنقل في مشهد واسع من خيارات التصميم الممكنة.
لقد تصدى فريق من الباحثين لهذا التحدي من خلال تصميم نوع جديد من مسرعات الأجهزة المصممة خصيصًا لهذه المهام المتحملة للخطأ. وقد ركزوا على بنية تسمى "المصفوفة الانقباضية" (systolic array)، وهي في الأساس شبكة من وحدات المعالجة الصغيرة التي تمرر البيانات لبعضها البعض مثل موجة، مما يؤدي عمليات ضرب المصفوفات بكفاءة. وأدرك الباحثون أن الجزء الأكثر استهلاكًا للطاقة في هذه الشبكة هو "الضرب" داخل كل وحدة. وبدلاً من بناء كل عملية ضرب لتكون مثالية، طوروا طريقة لإنشاء مضاعفات "غير مثالية" معيبة بشكل استراتيجي. فمن خلال إسقاط البتات الأقل أهمية من الرقم أثناء الحساب عمدًا واستخدام دوارات متخصصة تُدخل أخطاءً صغيرة ومتضادة، أنشأوا نظامًا تلغي فيه الأخطاء بعضها البعض. يسمح هذا للأجهزة بأن تظل فعالة للغاية مع الاستمرار في إنتاج نتائج دقيقة بما يكفي للاستخدام العملي.
ولإيجاد التوازن المثالي بين السرعة والدقة، لم يعتمد الباحثون على التخمين؛ بل استخدموا خوارزمية بحث قوية تحاكي عملية التطور الطبيعي لاستكشاف الملايين من تكوينات التصميم المحتملة. تخيل مكتبة ضخمة تحتوي على كل طريقة يمكن تصورها لبناء هذه المضاعفات غير المثالية؛ كانت الخوارونة تختبر التوليفات بشكل منهجي، محتفظة بالتصاميم التي تقدم أفضل المقايضات ومستبعدة تلك التي كانت غير دقيقة للغاية أو غير كفؤة بما يكفي. لقد اختبروا هذه التصاميم عبر ثلاثة تنسيقات قياسية مختلفة للتعامل مع الأرقام، تتراوح من التنسيق عالي الدقة المستخدم في الحوسبة العلمية إلى التنسيقات الأكثر إيجازًا والمصممة خصيصًا للذكاء الاصطناعي. وكان الهدف هو معرفة ما إذا كان بإمكانهم تفصيل مستوى عدم المثالية وفقًا للاحتياجات المحددة للمهمة المعنية.
كانت النتائج التي توصلوا إليها مذهلة. فعندما طبق الباحثون تصاميمهم المثلى وغير المثالية على مهام معالجة الصور، مثل تنعيم الضوضاء في صورة فوتوغرافية أو ضغط صورة للتخزين، أصبحت الأجهزة أصغر حجمًا وأسرع بشكل ملحوظ. وفي بعض الحالات، قللت التصاميم الجديدة الحجم الفيزيائي للرقاقة بنسبة تصل إلى 92 بالمائة وخفضت استهلاك الطاقة بنسبة تصل إلى 93 بالمائة مقارنة بالنسخ التقليدية دقيقة القياس. ومن المثير للاهتمام أن هذه التوفيرات الهائلة لم تأتِ على حساب الجودة المرئية؛ إذ كانت الصور التي أنتجتها الأجهزة التقريبية لا يمكن تمييزها تقريبًا عن تلك التي أنتجتها الأجهزة الدقيقة، مما حافظ على مستوى عالٍ من الدقة البصرية.
كانت النتائج أكثر إقناعًا عند تطبيقها على نماذج الذكاء الاصطناعي المستخدمة للتعرف على الأنماط. فقد اختبر الباحثون تصاميمهم على مجموعات بيانات قياسية تحتوي على آلاف الصور للأرقام المكتوبة بخط اليد، والملابس، والأشياء اليومية. وفي عدة حالات، أدى استخدام المضاعفات التقريبية هذه في الواقع إلى تحسين أداء الذكاء الاصطناعي. فعلى سبيل المثال، حقق نموذج مدرب على التعرف على الملابس معدل دقة أعلى عند استخدام الأجهزة غير المثالية مقارنة بالأجهزة المثالية. تشير هذه النتيجة المنافية للحدس إلى أن القدر الضئيل من الضوضاء الناتج عن التقريب قد يساعد الكمبيوتر على التعميم بشكل أفضل، تمامًا كما قد يتجاهل دماغ الإنسان التفاصيل الصغيرة للتعرف على وجه ما بسرعة أكبر. وبالنسبة لأكثر مجموعة بيانات تعقيدًا تم اختبارها، قدمت أفضل التصاميم التقريبية أداءً وفر في حجم الأجهزة بنسبة تصل إلى 92 بالمائة وفي الطاقة بنسبة 93 بالمائ_ة، مع تقديم دقة تصنيف تضاهي أو تتفوق على الطرق الدقيقة.
يوضح هذا العمل أن الطريق نحو حوسبة أكثر كفاءة لا يتطلب دائمًا بناء أدوات أفضل وأكثر دقة. بدلاً من ذلك، يمكن العثور عليه من خلال فهم أين تكون الدقة ضرورية حقًا وأين يمكن التخلي عنها بأمان. ومن خلال استخدام عملية بحث ذكية لتصميم أجهزة "جيدة بما يكفي" وليست مثالية، أظهر الباحثون أنه من الممكن بناء رقائق حاسوبية أصغر حجمًا، وأسرع، وأكثر كفاءة في استهلاك الطاقة بشكل كبير. هذه التصاميم متاحة الآن للمهندسين الآخرين لاستخدامها، مما يوفر طريقة جديدة لبناء الجيل القادم من الأجهزة التي يمكنها التعامل مع المتطلبات المتزايدة للذكاء الاصطناعي دون استنزاف مواردنا من الطاقة. وتؤكد الدراسة أنه في عالم الحوسبة، أحيانًا يكون القليل من الخطأ هو بالضبط ما نحتاجه لجعل النظام يعمل بشكل أفضل.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.