معمارية عصبية مُتعددة النوى عالية الكفاءة في استهلاك الطاقة لتدريب الشبكات العصبية النبضية العميقة

تعلم أذكى للأجهزة الطرفية

تزداد ذكاءً هواتفنا وكاميراتنا وأجهزة الاستشعار الصغيرة، لكن تعليمها مهارات جديدة يتطلب عادة مراكز بيانات تستهلك طاقة كبيرة. تقدم هذه الورقة نوعاً جديداً من الرقائق المستوحاة من الدماغ يمكنها التعلم مباشرة على الأجهزة الصغيرة وهي تستهلك طاقة أقل بكثير من معالجات الرسوم الحالية. الهدف هو توفير تعلم مرن يحترم الخصوصية للسيارات والطائرات دون طيار وغيرها من الأجهزة التي تحتاج إلى ردود سريعة من دون الاعتماد الدائم على السحابة.

لماذا تهم الرقائق الشبيهة بالدماغ

الرَّقائق التقليدية مثل وحدات معالجة الرسوم ممتازة في الحسابات، ولكنها تستهلك طاقة كبيرة وتعتمد على وصلات سريعة إلى خوادم بعيدة. بالنسبة لمهام مثل مراقبة المرور أو ملاحة الطائرات دون طيار، فإن إرسال البيانات الخام إلى السحابة بطئ وقد يُعرّض معلومات خاصة للخطر. تتبع الحوسبة العصبية نهجاً مختلفاً بتقليد كيفية تبادل خلايا الدماغ لإشارات كهربائية قصيرة (نبضات). تعد الشبكات العصبية النبضية بوعد دقة عالية مع عدد أقل بكثير من العمليات، مما يجعلها جذابة للأجهزة منخفضة الطاقة التي تعمل على حافة الشبكة.

القطعة المفقودة في العتاد النبضي

العديد من رقاقة البحث تُنفّذ الشبكات النبضية بكفاءة بالفعل، ومع ذلك تُشارك معظمها قيداً رئيسياً: هي جيدة في تشغيل نموذج مُدرَّب ثابت، ولكنها غير مُجدية في تدريب الشبكات النبضية العميقة الكبيرة بنفسها. يعتمد كثير منها على قواعد تعلم محلية بسيطة أو يُحمّل عملية التدريب الكثيفة ذهاباً وإياباً إلى وحدات معالجة الرسوم. هذا يعني أن المصممين لا يستطيعون استغلال وفورات الطاقة المحتملة أثناء التعلم بالكامل، ويُصعّب على الأجهزة الصغيرة التكيف فورياً عند تغيّر الظروف، مثل علامات مرور جديدة أو تغيرات الإضاءة.

تصميم متعدد النوى جديد للتعلّم على الشريحة

يقدّم المؤلفون معمارية عصبية متعددة النوى تحتوي كل نواة فيها على ثلاثة محركات متعاونة: محرك يتعامل مع الإشارات المتدفقة للأمام عبر الشبكة، وآخر يُرسل معلومات الخطأ للخلف، ومحرك يُحدّث قوتها الاتصالية. ترتبط هذه النوى في شبكة ثنائية الأبعاد، بحيث يمكن أن تستضيف طبقات مختلفة من شبكة نبضية عميقة على نوى مختلفة وتعمل بالتوازي. تنقل شبكة اتصال مصممة بعناية نبضات سريعة ذات بت واحد وقيماً أبطأ وأكثر دقة بين النوى متزامنة مع توقيت النبضات، بينما يحافظ تصميم ذاكرة قريبة على معظم البيانات على الشريحة ويقلل الجولات المكلفة إلى الذاكرة الخارجية.

إنجاز أكثر مع حركة بيانات أقل

داخل كل محرك، تم ضبط العتاد ليتوافق مع طبيعة النشاط النبضي المتقطع. تكشف الدوائر متى تكون مجموعات الخلايا العصبية صامتة وتتجاوز الحسابات وقراءات الذاكرة غير الضرورية، وهي استراتيجية تقلل استخدام الطاقة بحوالي النصف أثناء التدريب على نماذج تعرف الصور القياسية. كما يعيد التصميم استخدام البيانات المخزنة أينما أمكن ويخزن النبضات كبتات مفردة، ما يقلص بشكل كبير مقدار الذاكرة الخارجية اللازمة. في اختبارات مع نسخ نبضية عميقة شائعة من شبكات ResNet وVGG، يصل النموذج الأولي إلى نحو ثلث سرعة التدريب لوحدة A100 قوية في مراكز البيانات، بالرغم من امتلاكه نحو عُشر إلى عشرين من طاقتها الحاسوبية الخام، ويتفوق بوضوح على نظام حافة مثل Jetson Orin.

من نموذج مختبري إلى تعلم حقيقي على الحافة

لإظهار أن الفكرة تعمل خارج المحاكاة، قام الفريق بخريطة نسخة أصغر من المعمارية على عدة بطاقات FPGA ودرب شبكات نبضية على مجموعات بيانات قياسية للصورة والإيماءات القائمة على الأحداث. تعامل النظام مع التعلم المستمر، حيث تُحدَّث النماذج عند ظهور أنواع جديدة من العينات، والتعلم الاتحادي، حيث تتدرب عدة أجهزة محلياً وتشارك تحديثات مضغوطة فقط. في كلتا الحالتين، حسّن النظام النبضي الموزع الدقة دون تمركز البيانات الخام، ما يوحي بتطبيقات مستقبلية في المدن الذكية والروبوتات حيث يتعلم عدد كبير من الأجهزة معاً مع الحفاظ على متطلبات طاقة ونطاق ترددي مقبولة.

ما يعنيه هذا لتكنولوجيا اليوميّة

بعبارات بسيطة، يبيّن هذا العمل كيفية بناء محرك تدريب شبيه بالدماغ يناسب حدود الطاقة الضيقة للأجهزة الطرفية. من خلال الجمع بين نوى تعلم صغيرة متعددة، وتوجيه بيانات ذكي، وتجاوز عدواني للأعمال غير الضرورية، تدرب المعمارية الشبكات النبضية العميقة بكفاءة دون الاعتماد على مراكز بيانات عملاقة. إذا تحولت هذه التصاميم إلى رقائق، فقد تساعد الكاميرات والسيارات والأجهزة المنزلية على التعلم من محيطها في الزمن الحقيقي مع الحفاظ على الخصوصية وتوفير الطاقة.

الاستشهاد: Li, M., Zhou, H., Xu, X. et al. A highly energy-efficient multi-core neuromorphic architecture for training deep spiking neural networks. Nat Commun 17, 4403 (2026). https://doi.org/10.1038/s41467-026-70586-x

الكلمات المفتاحية: الحوسبة العصبية, الشبكات العصبية النبضية, ذكاء اصطناعي على الحافة, عتاد منخفض الطاقة, التعلّم على الشريحة