تشغيل الذكاء الاصطناعي على الحافة: شبكة عصبية ثنائية قوية قائمة على الممرات مع الحوسبة القريبة من الذاكرة

جدول المحتويات

1. المقدمة

يقدم هذا البحث نهجاً ثورياً للذكاء الاصطناعي على الحافة من خلال الجمع بين الشبكات العصبية الثنائية القائمة على الممرات والخلايا الشمسية المصغرة. يعالج هذا التكامل التحدي الحاسم المتمثل في تشغيل أنظمة الذكاء الاصطناعي في بيئات الحافة المتطرفة حيث لا تتوفر مصادر طاقة مستقرة. يظهر النظام مرونة ملحوظة تجاه تقلبات الطاقة، محافظاً على وظائفه حتى تحت ظروف الإضاءة المنخفضة المكافئة لـ 0.08 شمس.

2. البنية التقنية

2.1 تصميم مصفوفة الممرات

تتضمن الدائرة أربع مصفوفات من 8,192 ممراً لكل منها، بإجمالي 32,768 ممراً. يتم تنظيم كل مصفوفة في تكوين متقاطع مُحسَّن للحوسبة الرقمية القريبة من الذاكرة. يتم تصنيع الممرات باستخدام عملية هجينة من CMOS/الممرات، مما يتيح تكاملاً عالي الكثافة مع الحفاظ على التوافق التصنيعي مع عمليات أشباه الموصلات القياسية.

2.2 الحوسبة الرقمية القريبة من الذاكرة

على عكس نهج الحوسبة في الذاكرة التناظرية التقليدية، يستخدم هذا النظام بنية رقمية بالكامل مع وحدات منطق في مضخم الاستشعار وممرات مبرمجة بشكل تكميلي. يلغي هذا التصميم الحاجة إلى تحويل التناظري إلى رقمي والدوائر الطرفية المعقدة، مما يقلل بشكل كبير من استهلاك الطاقة ويحسن المرونة تجاه تغيرات جهد التغذية.

2.3 نظام إدارة الطاقة

يتكامل النظام مع خلية شمسية مصغرة ذات فجوة نطاق عريض محسنة خصيصاً للتطبيقات الداخلية. تم تصميم دائرة إدارة الطاقة للتعامل مع عدم الاستقرار المتأصل في مجمعات الطاقة، مما يسمح للشبكة العصبية بالانتقال بسلاسة بين أوضاع الحوسبة الدقيقة والتقريبية بناءً على الطاقة المتاحة.

3. النتائج التجريبية

3.1 الأداء تحت إضاءة متغيرة

تحت ظروف الإضاءة العالية، تحقق الدائرة أداء استدلال مماثلاً لمصادر الطاقة المخبرية، مع دقة تصنيف تطابق التطبيقات القائمة على البرمجيات. مع انخفاض الإضاءة إلى 0.08 شمس، يحافظ النظام على وظائفه مع تدهور متواضع في الدقة بنسبة 8-12% عبر المعايير المختبرة.

3.2 الدقة مقابل استهلاك الطاقة

يظهر البحث أن الصور المصنفة بشكل خاطئ تحت ظروف الطاقة المنخفضة هي في الغالب حالات يصعب تصنيفها وتشكل تحدياً حتى للأنظمة ذات الطاقة الجيدة. تجعل خاصية التدهور المتدرج هذه النظام مناسباً بشكل خاص للتطبيقات حيث تكون الأخطاء العرضية مقبولة مقابل عمر تشغيلي ممتد.

4. التنفيذ التقني

4.1 الأساس الرياضي

تستخدم الشبكة العصبية الثنائية أوزاناً وتفعيلات ثنائية، مما يقلل بشكل كبير من التعقيد الحسابي. يمكن تمثيل الانتشار الأمامي كالتالي:

$$a^{(l)} = sign(W^{(l)} a^{(l-1)} + b^{(l)})$$

حيث تمثل $W^{(l)}$ الأوزان الثنائية، و$a^{(l)}$ التفعيلات الثنائية، وتبعث دالة الإشارة بقيم ±1. تؤدي مصفوفة الممرات الضرب المصفوفي $W^{(l)} a^{(l-1)}$ بكفاءة باستخدام الحساب القائم على المقاومة.

4.2 تنفيذ الكود

class BinarizedNeuralNetwork:
    def __init__(self, memristor_arrays):
        self.arrays = memristor_arrays
        self.lisa_units = []  # وحدات المنطق في مضخم الاستشعار
        
    def forward_pass(self, input_data):
        # تحويل الإدخال إلى ثنائي
        binary_input = np.sign(input_data)
        
        # المعالجة عبر مصفوفات الممرات
        for i, array in enumerate(self.arrays):
            # الحوسبة الرقمية القريبة من الذاكرة
            output = array.compute(binary_input)
            # معالجة LISA
            output = self.lisa_units[i].process(output)
            binary_input = np.sign(output)
            
        return output
    
    def adaptive_power_mode(self, available_power):
        if available_power < self.power_threshold:
            return "approximate"
        else:
            return "precise"

5. التطبيقات المستقبلية

تمكن هذه التكنولوجيا العديد من التطبيقات في مراقبة الصحة والسلامة الصناعية والاستشعار البيئي. تشمل حالات الاستخدام المحددة:

• أجهزة مراقبة الصحة القابلة للارتداء ذاتية التشغيل للمراقبة المستمرة للمرضى
• أجهزة استشعار ذكية للصيانة التنبؤية في البيئات الصناعية
• أنظمة المراقبة البيئية في المواقع النائية
• أنظمة أمنية دائمة التشغيل بقدرات ذكاء اصطناعي مدمجة

يمكن أن تركز التطورات المستقبلية على توسيع نطاق التكنولوجيا لشبكات أكبر، ودمج مصادر متعددة لجمع الطاقة، وتطوير بنى متخصصة لمجالات تطبيق محددة.

6. المراجع

1. Jebali, F. et al. "Powering AI at the Edge: A Robust Memristor-based Binarized Neural Network." arXiv:2305.12875 (2023)
2. Hubara, I. et al. "Binarized Neural Networks." Advances in Neural Information Processing Systems (2016)
3. Wong, H. S. P. et al. "Metal–oxide RRAM." Proceedings of the IEEE (2012)
4. Esser, S. K. et al. "Convolutional networks for fast, energy-efficient neuromorphic computing." Proceedings of the National Academy of Sciences (2016)
5. Yang, J. J. et al. "Memristive devices for computing." Nature Nanotechnology (2013)

7. التحليل النقدي