← أحدث الأبحاث
🔬 physics

Thermodynamic cost of inference and learning in physical neural networks

تُثبت هذه الورقة أنه في حين أن الاستدلال شبه الساكن في الشبكات العصبية الفيزيائية لا يترتب عليه أي تكلفة ثيرموديناميكية، فإن تعلم المعلمات يحمل نفقات طاقة غير قابلة للاختزال، مما يؤسس لكون السعر الثيرموديناميكي الجوهري للحوسبة العصبية يتحدد من خلال تخزين الذاكرة وليس المعالجة الحسابية.

المؤلفون الأصليون: Alexei Tkachenko

نُشر 2026-08-18
📖 5 دقيقة قراءة🧠 قراءة متعمّقة
CC BY 4.0

المؤلفون الأصليون: Alexei Tkachenko

البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://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 كل مرة يحل فيها الحاسوب مشكلة أو يتعلم نمطاً جديداً، فإنه يستهلك طاقة. ونحن نرى ذلك في محطات الطاقة الضخمة التي تغذي مراكز البيانات لدينا والحرارة المنبعثة من أجهزة المحمول الخاصة بنا. لعقود من الزمن، تساءل العلماء عما إذا كان جزء من تكلفة هذه الطاقة هو مجرد خلل في تقنيتنا الحالية، أم أنه قانون أساسي في الطبيعة لا يمكن لأي آلة الهروب منه. الإجابة القياسية بالنسبة للحواسيب الرقمية تأتي من قاعدة تسمى مبدأ لانداور. تنص هذه القاعدة على أنه إذا قامت آلة بمسح قطعة من المعلومات، فيجب أن تطلق كمية ضئيلة ولا مفر منها من الحرارة. ينطبق هذا القانون على المفاتيح الثنائية داخل معالجاتنا، حيث تُخزن المعلومات كحالات متميزة ومستقرة مثل "تشغيل" أو "إيقاف". ومع ذلك، يقوم العديد من الباحثين الآن ببناء نوع مختلف من الحواسيب؛ وهي الشبكات العصبية الفيزيائية، وهي أجهزة مصنوعة من الضوء أو الأجزاء الميكانيكية أو الدوائر الإلكترونية التي تحسب من خلال الاسترخاء إلى حالة من التوازن، تماماً مثل كرة تتدحرج أسفل تلة لتجد أدنى نقطة. ولأن هذه الآلات لا تعتمد على قلب مفاتيح صلبة، فإن القواعد القديمة المتعلقة بمسح البتات قد لا تنطبق عليها بنفس الطريقتين. والسؤال هو ما إذا كانت هذه الآلات الجديدة قادرة على الحساب والتعلم بأقل قدر ممكن من الطاقة، أم أنها هي الأخرى مقيدة بحد فيزيائي صارم.

لقد قام باحث في مختبر بروكهافن الوطني الآن برسم خريطة توضح بدقة مقدار الطاقة التي تتطلبها هذه الشبكات الفيزيائية. لم يقم ببناء جهاز فيزيائي في المختبر، بل أنشأ نموذجاً رياضياً مفصلاً يعامل الشبكة العصبية كنظام من الزنبركات والأوزان. في نموذجه، ليست الروابط بين طبقات الشبكة تعليمات صلبة، بل هي قيود مرنة، مثل الزنبركات التي تسحب النظام نحو شكل محدد. عندما تُعطى الشبكة مدخلاً، فإنها ببساال تسترخي لتتخذ الشكل الذي يلبي جميع متطلبات الزنبركات في آن واحد. سمح هذا النهج للعالم بحساب تكلفة الطاقة لعمليتين متميزتين: الاستدلال، وهو فعل حل المشكلة، والتعلم، وهو فعل تدريب الآلة لتصبح أفضل في حل المشكلات. وتكشف نتائجهم عن انقسام مفاجئ في فيزياء هذه الآلات؛ فقد اكتشفوا أن عملية التفكير، أو الاستدلال، يمكن نظرياً القيام بها بطاقة صفرية إذا تحركت الآلة ببطء كافٍ. التكلفة تظهر فقط عندما تُجبر الآلة على التحرك بسرعة. في المقابل، يحمل فعل التعلم سعراً طاقياً دائماً لا يمكن تجنبه، بغض النظر عن مدى بطء عمل الآلة.

وجد الباحث أن تكلفة الطاقة بالنسبة للاستدلال لا تتحدد بعدد الروابط أو "الأوزان" داخل الشبكة، كما هو الحال في الحواسيب الرقمية. بدلاً من ذلك، تعتمد التكلفة على عرض الشبكة، أو عدد الخلايا العصبية النشطة في وقت واحد. إذا سُمح للآلة بالاسترخاء ببطء، بالانتقال من مدخل إلى آخر بوتيرة هادئة، فإنها لا تتطلب أي عمل على الإطلاق. وذلك لأن الآلة تكون دائماً في حالة توازن، تنزلق على طول وادٍ سلس من الطاقة دون الحاجة أبداً لتسلق تلة أو مسح ذاكرة. الوقت الوحيد الذي تُبذل فيه الطاقة هو عندما تُدفع الآلة للتحرك أسرع من سرعة استرخائها الطبيعية. في هذا النظام السريع، تكون الطاقة المطلوبة متناسبة مع المسافة التي يجب أن تقطعها الآلة عبر فضاء الحالة الخاص بها، مقسومة على الوقت الذي تستغرقه. أظهرت عمليات المحاكاة أنه حتى عند أسرع سرعة مفيدة، فإن تكلفة الطاقة منخفضة بشكل ملحوç، فهي تعادل تقريباً الطاقة الحرارية للبيئة لكل بُعد في أوسع طبقة في الشبكة. وهذا يعني أن التكلفة تتناسب مع حجم عرض الشبكة، وليس تعقيدها الإجمالي. بالنسبة لشبكة تحتوي على مليون خلية عصبية نشطة، فإن تكلفة الطاقة تبلغ حوالي مليون ضعف الطاقة الحرارية الضئيلة لجسيم واحد، وهو رقم أصغر بمليارات المرات مما تستهلكه الأجهزة الرقمية الحالية.

أما التعلم، فيروي قصة مختلفة. فعندما يتم تدريب الآلة، يتم فرض كل من المدخل والمخرج المطلوب على النظام في نفس الوقت. وهذا يخلق صراعاً، أو توتراً، داخل زنبركات الشبكة، لأن الإعدادات الحالية لا يمكنها تلبية المدخل والهدف في آن واحد. ومن أجل التعلم، يجب على الآلة تعديل أوزانها الداخلية لتخفيف هذا التوتر. وجد الباحث أن عملية تعديل الأوزان هذه تحمل تكلفة طاقة لا يمكن الحد منها. وخلافاً للاستدلال، فإن هذه التكلفة لا تختفي حتى لو تم التدريب ببطء لانهائي. في كل مرة يتغير فيها وزن، يتم تبديد كمية صغيرة من الطاقة كحرارة، وهي تعادل تقريباً بضعة أضعاف الطاقة الحرارية للبيئة لكل معلمة (parameter). تُدفع هذه التكلفة مرة واحدة لكامل مجموعة المعلمات التي تحدد معرفة الآلة. وهي لا تعتمد على عدد الأمثلة التي تراها الآلة أثناء التدريب، بل على عدد الأوزان التي يتعين عليها تخزينها. وهذا يتناقض بشكل حاد مع التدريب الرقمي، حيث يجب على الآلة مسح وإعادة كتابة المعلومات لكل مثال تراه، مما يؤدي إلى فاتورة طاقة ضخمة تتناسب مع حجم مجموعة البيانات.

اختبر الباحث هذه الأفكاء من خلال محاكاة شبكة صغيرة مدربة للتعرف على الأرقام المكتوبة بخط اليد، وهي مهمة قياسية في تعلم الآلة. وراقب كيف تتصرف الآلة أثناء التبديل بين الأرقام المختلفة وأثناء تعديل أوزانها لتحسين دقتها. تطابقت النتائج مع توقعاته النظرية تماماً. عندما طُلب من الآلة استدلال رقم ما بسرعة، ارتفعت الطاقة التي استهلكتها بشكل حاد، وانخفضت دقتها مع اقتراب العمل الذي تقوم به من مستوى الاهتزاز العشوائي للحرارة في النظام. ولكن عندما سُمح للآلة بالتحرك ببطء، فقد حلت المشكلة بأقل قدر من الطاقة، وظلت دقتها عالية. وأثناء التدريب، لاحظ أن الطاقة المبذولة لتعديل الأوزان اتبعت نمطاً دقيقاً، مما أكد أن كمية صغيرة وثابتة من الحرارة تنطلق مع كل عملية تعلم تحدث. وأظهرت عمليات المحاكاة أنه بمجرد أن تعلمت الآلة المهمة، كانت الطاقة المطلوبة للحفاظ على تلك المعرفة ضئيلة، لكن الطاقة المطلوبة لكتابة تلك المعرفة في المقام الأول كانت تكلفة أساسية لا مفر منها.

تشير هذه النتائج إلى أن الثمن الديناميكي الحراري للشبكة العصبية يتحدد بذاكرتها وليس بعملياتها الحسابية. إن عملية حساب نتيجة ما شبه مجانية، وتقتصر فقط على مدى سرعة إجبار الآلة على التحرك. أما عملية التعلم، فتتطلب دفع رسوم صغيرة ولكن دائمة لكتابة المعلمات في البنية الفيزيائية للآلة. يوفر هذا التمييز منظوراً جديداً لمستقبل الحوسبة. فبينما تظل الآلات الرقمية مقيدة بتكلفة مسح البتات لكل عملية، يمكن للآلات الفيزيائية أن تؤدي حسابات معقدة بكفاءة طاقة تتجاوز الأجهزة الحالية بعدة مراتب عشرية. إن الفجوة المتبقية بين الأجهزة الحالية وهذه الحدود النظرية ليست بسبب خلل في قوانين الفيزياء، بل هي بسبب عدم كفاءة موادنا وتصاميمنا الحالية. تقدم الدراسة خارطة طريق واضحة لما هو ممكن، موضحة أنه إذا تمكنا من بناء آلات تسترخي حقاً في حلولها، فإن تكلفة الذكاء يمكن تقليلها إلى الحد الأدنى المسموح به في الكون.

غارق في أبحاث مجالك؟

تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.

جرّب Digest →

أبحاث مشابهة

عرض الكل في هذا التصنيف 🔬 physics →