An Artificial Intelligence Framework for Connectivity Optimization and Adaptive Routing in Processor Interconnection Networks

في البنية التحتية الهائلة والنابضة بالحياة للحوسبة الحديثة، لا تشكل المعالجات سوى نصف القصة. فبينما قد تكون الشريحة الواحدة قادرة على إجراء مليارات الحسابات، فإن القوة الحقيقية للحاسوب الفائق تكمن في مدى سرعة وموثوقية تواصل هذه الشرائح مع بعضها البعض. تخيل مدينة تحتوي فيها كل بناية على عقل عبقري، لكن الطرق بينها مسدودة أو مكسورة أو سيئة التصميم؛ مهما بلغت ذكاء العقول، فلن تستطيع المدينة أن تعمل. هذا هو تحدي شبكات الترابط: الشبكة غير المرئية من الأسلاك والمبدلات التي تنقل البيانات بين المعالجات. لعقود من الزمن، بنى المهندسون هذه الشبكات باستخدام أنماط ثابتة وصلبة، تماماً مثل مدينة ذات شوارع منظمة في شبكة لا تتغير أبداً، بغض النظر عما إذا كان هناك جسر معطل أو إذا أدى ازدحام مفاجئ في ساعة الذروة إلى اختناق مروري. عندما ترتفع حركة المرور أو يتعطل رابط ما، غالباً ما تعاني هذه الأنظمة الثابتة، مما يؤدي إلى إبطاء الآلة بأكملها. لقد كان الهدف منذ زمن طويل هو إنشاء شبكة يمكنها التفكير لنفسها، واستشعار الازدحام وإعادة توجيه البيانات فوراً، لكن القيام بذلك عبر الأشكال والأحجام المختلفة لمدن الكمبيوتر المعقدة هذه ظل لغزاً صعباً.

اقترح باحثان من جامعة أودافيش براتاب سينغ في الهند طريقة جديدة لحل هذه المعضلة، حيث قدما نظاماً أسمياه "إطار عمل تحسين اتصال الذكاء الاصطناعي" (Artificial Intelligence Connectivity Optimization Framework). وبدلاً من الاعتماد على كتاب قواعد واحد وثابت لكيفية انتقال البيانات، يستخدم إطار عملهما فريقاً من أدوات الذكاء الاصطناعي لمراقبة الشبكة، وفهم شكلها، واتخاذ قرارات في أجزاء من الثانية للحفاظ على تدفق الحركة. لقد اختبرا هذا النهج على خمسة أنواع متميزة من هياكل الشبكات، تتراوح من المتماثلة والمدمجة إلى الهرمية والمتشعبة، محاكيين شبكات تتراوح أحجامها من 64 إلى 512 عقدة. يعمل النظام أولاً باستخدام مقدر لحركة المرور للتنبؤ بالأماكن التي من المرجح أن تتكدس فيها البيانات، ثم باستخدام نموذج تعلم متخصص يفهم التخطيط الفيزيائي للشبكة لرؤية الصورة الكبيرة، وأخيراً بتوظيف صانع قرار يتعلم من خلال التجربة والخطأ لاختيار المسار الأفضل. يسمح هذا المزيج للشبكة بالتكيف ديناميكياً، وتجنب الاختناقات والالتفاف حول الروابط المكسورة دون تدخل بشري.

وجد الباحثون أن هذا النهج المتكامل تفوق باستمرار على طرق التوجيه التقليدية والثابتة، وكذلك على نماذج الذكاء الاصطناعي الأبسط التي تعتمد على نوع واحد فقط من التعلم. وفي عمليات المحاكاة التي أجروها، تمكن الإطار الجديد من نقل المزيد من حزم البيانات بنجاح، وقلل من الوقت الذي تستغرقه المعلومات للسفر، واستهلك طاقة أقل من الطرق القديمة. كانت التحسينات ملحوظة بشكل خاص في أشكال الشبكات الهرمية المعقدة حيث تميل حركة المرور إلى التكدس، كما أظهر النظام أيضاً فوائد في التكوينات الأخرى من خلال خفض التأخير وتحسين قدرة الشبكة على التعافي عندما تتعطل أجزاء منها. تشير الدراسة إلى أنه من خلال دمج أنواع مختلفة من الذكاء الاصطناعي، يمكن للمهندسين إنشاء دعامات اتصال ليست أسرع فحسب، بل أيضاً أكثر مرونة وكفاءة، وقادرة على التعامل مع المتطلبات غير المتوقعة للحوسبة الحديثة.

لفهم سبب أهمية ذلك، يجب على المرء أن ينظر إلى كيفية بناء هذه الشبكات. اختبر الباحثون إطار عملهم على خمسة تصميمات كلاسيكية: "المكعب الفائق" (Hypercube)، الذي يربط العقد بطريقة متماثلة للغاية؛ و"التوروس" (Torus)، الذي يشكل شبكة منتظمة؛ و"الشجرة السميكة" (Fat-Tree)، الذي يشبه هيكل شجرة متفرعة؛ و"الدراغون فلاي" (Dragonfly)، الذي يستخدم ترتيباً هرمياً لتقليل المسافة؛ و"شبكة الفرق المثالية" (Perfect Difference Network)، وهي تخطيط دقيق رياضياً. لكل من هذه التصميمات نقاط قوة ونقاط ضعف خاصة بها. فعلى سبيل المثال، يعد "الدراغون فلاي" ممتازاً في جعل المسافة بين أي نقطتين قصيرة، بينما يوفر "المكعب الفائق" هيكلاً متوازناً يتحمل الأعطال بشكل كبير. ومع ذلك، في سيناريو واقعي، قد تواجه الشبكة اندفاعات مفاجئة من البيانات أو سلكاً مقطوعاً، ولا يمكن لخطة توجيه ثابتة التكيف مع هذه التغييرات. يعامل الإطار الجديد الشبكة كـ "رسم بياني حي"، وهو خريطة من الاتصالات تتغير مع تغير الظروف، مما يسمح للذكاء الاصطناعي بالتنقل فيها بمرونة لا تستطيع القواعد الثابتة مضاهاتها.

يكمن جوهر اكتشاف الباحثين في كيفية دمجهم لثلاث تقنيات مختلفة من الذكاء الاصطناعي لحل مشكلة التوجيه. المكون الأول يعمل مثل متنبئ بحركة المرور، حيث يستخدم شبكة عصبية للنظر في الظروف الحالية - مثل مدى امتلاء الطوابير عند كل عقدة - والتنبؤ بمكان احتمال حدوث ازدحام. المكون الثاني هو نموذج تعلم قائم على الرسم البياني يفهم "الطوبولوجيا"، أو شكل الشبكة؛ فهو يتعلم العلاقات بين الأجزاء المختلفة من النظام، مدركاً أن انسداداً في منطقة ما قد يتطلب التفافاً عبر قسم مختلف تماماً من الخريطة. أما المكون الثالث فهو وكيل "تعلم تعزيزي" (Reinforcement Learning)، يعمل مثل سائق يتعلم أفضل الطرق من خلال الخبرة؛ حيث يجرب مسارات مختلفة، ويتلقى تغذية راجعة حول سرعة وصول البيانات وكمية الطاقة المستخدمة، ويحسن استراتيجيته تدريجياً لاتخاذ خيارات أفضل في المستقبل. ومن خلال نسج هذه القدرات الثلاث معاً، يخلق النظام سياسة توجيه مدركة لحركة المرور الفورية وملمة بالهيكل العام في آن واحد.

عندما أجرى الباحثون عمليات المحاكاة الخاصة بهم، كانت النتائج واضحة. حقق إطار العمل المدمج، الذي أطلقوا عليه اسم AICOF، إنتاجية أعلى، مما يعني تسليم المزيد من البيانات في نفس الوقت، وزمن انتقال (Latency) أقل، مما يعني وصول البيانات بشكل أسرع. وفي مجموعة من الاختبارات شملت شبكة مكونة من 256 عقدة، نجح الإطار في تقليل متوسط الوقت الذي تستغرقه البيانات للسفر بنسبة تقارب 55 بالمائة مقارنة بالطرق التقليدية في أنواع معينة من الشبكات. كما حسن موثوقية النظام، مما ضمن وصول نسبة أعلى من حزم البيانات إلى وجهتها حتى عندما تكون الشبكة تحت الضغط أو عندما تكون بعض الاتصالات مكسورة. وكانت كفاءة الطاقة أيضاً نتيجة مهمة، حيث استخدم النظام الجديد طاقة أقل لتوصيل كل حزمة بيانات مقارنة بالنهج الثമാبت القديمة. لم تكن هذه المكاسب مجرد مسألة تعديل إعداد واحد، بل جاءت من التآزر بين مكونات الذكاء الاصطنا الثلاثة وهي تعمل معاً.

تضمن البحث أيضاً تحليلاً دقيقاً لتحديد الجزء الذي يقوم بالجهد الأكبر في النظام. وجد الباحثون أنه عند إزالة مكون التعلم التعزيزي، انخفض الأداء بشكل كبير، مما يشير إلى أن القدرة على التعلم والتكيف من خلال الخبرة هي العامل الأكثر حيوية. ومع ذلك، فإن إزالة التعلم القائم على الرسم البياني أو التنبؤ بحركة المرور أدت أيضاً إلى انخفاضات ملموسة، مما يثبت أن كل قطعة تلعب دوراً ضرورياً. كان النموذج القائم على الرسم البياني مهماً بشكل خاص لفهم التخطيط، بينما ساعد متنبئ حركة المرور النظام على توقع المشكلات قبل أن تصبح حرجة. يشير هذا إلى أن مستقبل شبكات الحوسبة عالية الأداء قد لا يعتمد على خوارزمية واحدة "سحرية"، بل على نهج هجين يجمع بين نقاط القوة المختلفة للتعامل مع تعقيد مراكز البيانات الحديثة.

كان الباحثون حذرين في ملاحظة حدود عملهم. فالنتائج المعروضة تستند إلى عمليات محاكاة، وليس على أجهزة مادية تعمل بتطبيقات واقعية. لقد اختبروا شبكات تصل إلى 512 عقدة، وهو حجم كبير بالنسبة للمحاكاة ولكنه أصغر من الأنظمة الضخمة الموجودة في أكبر الحواسيب الفائقة في العالم. كما كانت أنماط حركة المرور المستخدمة اصطناعية، مصممة لمحاكاة سيناريوهات شائعة مثل حركة المرور العشوائية المنتظمة أو النقاط الساخنة المفاجئة، بدلاً من التدفق غير المتوقع لأعباء العمل العلمية أو التجارية الفعلية. ورغم هذه القيود، فإن اتساق النتائج عبر مختلف أشكال وأحجام الشبكات يوفر أساساً قوياً لمزيد من التطوير. يخطط المؤلفون للتحقق من إطار عملهم على أجهزة فعلية، مثل المصفوفات البوابية القابلة للبرمجة ميدانياً (FPGAs)، واختباره باستخدام تتبعات تطبيقات حقيقية لمعرفة كيفية أدائه تحت ضغط مهام الحوسبة الحقيقية.

في نهاية المطاف، يمثل هذا العمل تحولاً في كيفية تفكيرنا في البنية التحتية غير المرئية للحوسبة. لسنوات، كان التركيز منصباً على جعل المعالجات نفسها أسرع، لكن عنق الزجاجة غالباً ما يكمن في التواصل بينها. ومن خلال تقديم إطار عمل للذكاء الاصطناعي يمكنه الرؤية والتعلم والتكيف، أظهر الباحثون أن الشبكة نفسها يمكن أن تصبح شريكاً ذكياً ومستجيباً في عملية الحوسبة. وتشير النتائج إلى أنه بينما ننتقل نحو أنظمة أكبر وأكثر تعقيداً، فإن القدرة على تحسين الاتصال ديناميكياً ستكون بنفس أهمية القوة الخام للشرائح نفسها. إن الطريق إلى الأمام يتضمن صقل هذه الأدوات، واختبارها على نطاقات أكبر، ودمجها في النهاية في الأجهزة التي تدعم الجيل القادم من الاكتشاف العلمي والابتكار التكنولوجي.