اجرای مدل‌های زبانی بزرگ هوش مصنوعی، برق زیادی مصرف می‌کند و به همین دلیل نگرانی‌هایی را در مورد تاثیر زیست‌محیطی مراکز داده و سیستم‌های ابری که دنیای دیجیتال امروز را تغذیه می‌کنند، ایجاد کرده است.

اکنون، گروهی از دانشمندان دانشگاه «کرنل»، راهی برای افزایش کارایی تراشه‌های مرتبط با هوش مصنوعی، کاهش مصرف انرژی و بهبود عملکرد آنها کشف کرده‌اند. این پیشرفت دانشمندان حوزه فناوری و مهندسی، بر نوع خاصی از تراشه به نام آرایه «دروازه قابل برنامه‌ریزی میدانی» (FPGA) تمرکز دارد.

برخلاف تراشه‌های استاندارد که بر اساس ساخت کارخانه ثابت هستند، آرایه‌های «دروازه قابل برنامه‌ریزی میدانی» را می‌توان پس از تولید دوباره برنامه‌ریزی کرد. این انعطاف‌پذیری، آنها را در صنایع با تغییر سریع مانند هوش مصنوعی، محاسبات ابری و ارتباطات بی‌سیم مفید می‌کند.

حتی می‌توان آرایه‌های «دروازه قابل برنامه‌ریزی میدانی» را در دستگاه‌های روزمره مانند دستگاه‌های سونوگرافی، اسکنرهای CAT و ماشین‌های لباسشویی پیدا کنید. درون یک آرایه «دروازه قابل برنامه‌ریزی میدانی»، واحدهای محاسباتی کوچکی به نام بلوک‌های منطقی وجود دارد. هر بلوک دو بخش اصلی وجود دارد که شامل «جدول‌های جستجو» (LUT) است که عملیات منطقی را انجام می‌دهند و مدارهای جمع‌کننده که وظایف حسابی مانند جمع اعداد را انجام می‌دهند.

در طراحی‌های سنتی تراشه، مدارهای جمع‌کننده فقط از طریق «جدول‌های جستجو» قابل استفاده هستند. این چیدمان باعث کندی و اتلاف منابع می‌شود به خصوص برای سیستم‌های هوش مصنوعی که به شدت به حساب متکی هستند. گروه معماری، برای حل این مشکل، تراشه جدیدی به نام «وظیفه دوگانه» (Double Duty) طراحی کرد.

این معماری به «جدول‌های جستجو» و مدارهای جمع‌کننده اجازه می‌دهد تا به‌طور مستقل و همزمان کار کنند. به عبارت ساده، اکنون، تراشه می‌تواند کارهای بیشتری را با همان قطعات انجام دهد و آن را سریع‌تر و از نظر انرژی کارآمدتر کند.

این طراحی به ویژه برای شبکه‌های عصبی عمیق که ستون فقرات هوش مصنوعی مدرن هستند، ارزشمند است. این شبکه‌ها اغلب به‌طور مستقیم روی آرایه «دروازه قابل برنامه‌ریزی میدانی» قرار می‌گیرند تا پردازش را سرعت بخشند. بنابراین با ایجاد انعطاف‌پذیری بیشتر به هر تراشه، «وظیفه دوگانه» امکان اجرای موثرتر این شبکه‌ها را در استفاده از فضا و انرژی کمتر فراهم می‌کند.

طراحی جدید در آزمایش‌ها، فضای مورد نیاز برای وظایف خاص هوش مصنوعی را بیش از ۲۰ درصد کاهش و عملکرد را در طیف وسیعی از مدارها تقریبا ۱۰ درصد افزایش داد به این معنی که برای انجام همان کار به تراشه‌های کمتری نیاز است که به معنای مصرف انرژی کمتر خواهد بود.

مزایای این معماری فراتر از هوش مصنوعی است، صنایعی مانند مخابرات، تراشه و تصویربرداری پزشکی نیز می‌توانند از این معماری بهره‌مند شوند زیرا به برنامه‌های بزرگتر اجازه می‌دهد تا در تراشه‌های کوچکتر جای بگیرند و در فضا و انرژی صرفه‌جویی کنند.

این پروژه به‌عنوان، ایده کارشناسی آغاز شد و به همکاری بین پژوهشگران دانشگاه «کرنل»، دانشگاه‌های کانادا و مهندسان «آلترا» (Altera) که قبلا بخشی از شرکت اینتل بود، تبدیل شد.

کار این گروه پژوهشی، جایزه «بهترین مقاله» کنفرانس بین‌المللی «منطق و برنامه‌های قابل برنامه‌ریزی میدانی» (FPL ۲۰۲۵) هلند را دریافت کرد.

سایت ساینس گزارش کرد، با تبدیل شدن هوش مصنوعی به بخشی از دستگاه‌ها و خدمات روزمره، نوآوری‌هایی مانند تراشه «وظیفه دوگانه» می‌توانند اطمینان حاصل کنند که ماشین‌های هوشمندتر به قیمت ردپای کربن بالاتر تمام نمی‌شوند.

انتهای پیام