ليمو: جهاز خامل-طاقة للتماثل داخل الذاكرة وبُنية ضرب المصفوفات للحوسبة الطرفية

مسارات أذكى ورقائق أنحف

تواجه الشركات يوميًا ألغازًا مثل إيجاد أقصر طريق لشاحنة توصيل تزور آلاف المحطات أو مسح الصور بسرعة لاكتشاف الوجوه باستخدام كاميرا تعمل بالبطارية. تجهد هذه المشكلات حواسيب اليوم التي تنقل كميات هائلة من البيانات ذهابًا وإيابًا بين الذاكرة والمعالجات. يقدم هذا البحث ليمو، نوعًا جديدًا من وحدات الحوسبة منخفضة الطاقة التي تحافظ على البيانات في مكانها أثناء حل مهام تخطيط المسارات الصعبة وتشغيل نماذج الذكاء الاصطناعي، مما يجعل أجهزة الحافة المستقبلية أسرع وأكثر كفاءة في استهلاك الطاقة.

لماذا يعد إيجاد مسارات جيدة أمرًا صعبًا

في صلب هذا العمل تكمن مشكلة البائع المتجول الشهيرة: بالنظر إلى مدن عديدة، إيجاد أقصر جولة تزور كل مدينة مرة واحدة وتعود إلى نقطة البداية. على خرائط صغيرة، يمكن للأدوات الرياضية الدقيقة إيجاد الحل الأمثل. لكن مع تزايد عدد المدن إلى عشرات الآلاف، تتفجر إمكانية الجولات المحتملة، وحتى الحواسيب القوية تتعثر. تستخدم خوارزميات تقريبية مثل التلدين المحاكى لاستكشاف هذا الفضاء الواسع بحثًا عن جولات جيدة، وإن لم تكن مثالية، عن طريق قبول حلول وسيطة أسوأ أحيانًا لتجنب الوقوع في محليات ضعيفة. مع ذلك، تظل الأساليب التقليدية تستكشف فضاء البحث بكفاءة منخفضة عند المشكلات الكبيرة وتضيع وقتًا في نقل البيانات بين الذاكرة والمعالج، ما يصطدم بما يسمى «جدار الذاكرة».

طريقة جديدة لاستكشاف الاحتمالات

يقترح المؤلفون خوارزمية جديدة تسمى الإدخال المتلدن الموزون بالأهمية (SWAI) تعيد تشكيل طريقة استكشاف الجولات المرشحة. بدلاً من تبديل أزواج المدن باستمرار، وهو نهج يتدهور مع نمو عدد المدن، تبني SWAI الجولات خطوة بخطوة بإدخال مدينة جديدة في كل مرة. في كل خطوة، تختار أحيانًا أقرب مدينة تالية (خيار جشع) وأحيانًا تعتمد على عشوائية مضبوطة تُفضّل الحواف الأقصر لكنها لا تستبعد الأطول تمامًا. يتم ضبط هذا الانحياز مع مرور الوقت، فيبدأ أكثر جرأة ثم يصبح أكثر تحفظًا مع تقدم البحث. وبما أن كل خطوة تفحص الخيارات بطريقة تنمو خطيًا فقط مع عدد المدن، تستكشف الخوارزمية تحسينات بعيدة المدى بشكل أكثر فعالية من التلدين المحاكى التقليدي.

الحساب داخل الذاكرة مع عشوائية مضمّنة

يحوّل ليمو هذه الخوارزمية إلى عتاد عبر تصميم مشترك دقيق للدارات وطريقة البحث. في جوهره توجد مصفوفة ذاكرة معدّلة تخزن كلًا من الجولة الحالية والمسافات بين المدن، وتؤدي خطوات التحديث الأساسية دون الحاجة للتواصل المستمر مع معالج منفصل. تأتي الاختيارات العشوائية المطلوبة من الخوارزمية من أجهزة مغناطيسية صغيرة تُدعى وصائل النفق المغناطيسي ذات نقل عزم الدوران (STT-MTJs)، والتي تقلب حالتها بشكل غير متوقع عند تحفيزها بالتيار المناسب. يحول المصممون هذه العشوائية الفيزيائية إلى بتات رقمية ويستخدمون مقارنات بسيطة لتنفيذ القرارات الاحتمالية في الخوارزمية. وبما أن معظم العمليات تظل رقمية وتحدث مباشرة داخل الذاكرة، يتجنب النظام المحولات الكبيرة والدوائر التناظرية الحساسة، موفّرًا بذلك الطاقة والمساحة.

تفكيك المشكلات الكبيرة إلى أجزاء

لمعالجة مهام تخطيط المسارات الكبيرة جدًا التي تصل إلى 85,900 مدينة، يستخدم النظام استراتيجية قسّم تُغلب. تجمع طريقة هندسية خفيفة الوزن المدن القريبة في عنقودات حتى يصبح كل عنقود صغيرًا بما يكفي ليدخل في كتلة ليمو واحدة. يحل العتاد العديد من هذه المسارات الفرعية بالتوازي، ثم يركّبها مرة أخرى لتكوين جولة كاملة. خطوات تحسين إضافية تلمّع المسار العالمي: يُعاد تحسين مقاطع من الجولة بواسطة العتاد، وعمليّة تنظيف تقليدية «2-opt» على معالج عادي تزيل المسارات المتبادلة المتبقية. في اختبارات على معايير قياسية، أنتج هذا الأسلوب المركب جولات ذات جودة أعلى من آلات التلدين المتخصصة السابقة، مع الوصول إلى حلول أسرع بنحو خمسة أضعاف على أكبر المشكلات.

من المسارات الصعبة إلى ذكاء اصطناعي فعّال

لا يقتصر ليمو على تخطيط المسارات. يمكن أن تعمل نفس مصفوفة الذاكرة أيضًا كلبنة لبناء الشبكات العصبية عبر تنفيذ ضربات المتجه بالمصفوفة، العملية الأساسية وراء تعرف الصور والأنماط. بدلًا من استخدام محولات دقيقة ومستهلكة للطاقة لقراءة إشارات تناظرية، يعتمد ليمو على دوائر استشعار بسيطة للغاية تلتقط فقط إشارة علامة الإشارة المتجمعة، ويعوّض عن هذا الخشونة عبر تدريب الشبكات بطريقة واعية بالعتاد. في مهام تصنيف الصور واكتشاف الوجوه، حققت هذه الشبكات دقة قريبة من نماذج البرمجيات القياسية، مع تقليل استهلاك الطاقة وزمن الاستجابة مقارنة بشرائح الحوسبة داخل الذاكرة التقليدية. للمستخدمين العاديين، يعني هذا أن الكاميرات والطائرات المسيرة وأجهزة الحافة الأخرى قد تتمكن يومًا من حل مهام تخطيط معقدة وتشغيل نماذج الذكاء الاصطناعي لفترة أطول على البطارية، وذلك بفضل بحث أذكى وحوسبة دقيقة حيث تعيش البيانات.

الاستشهاد: Holla, A., Chatterjee, S., Sen, S. et al. LIMO: Low-power in-memory-annealer and matrix-multiplication primitive for edge computing. npj Unconv. Comput. 3, 10 (2026). https://doi.org/10.1038/s44335-026-00054-8

الكلمات المفتاحية: الحوسبة داخل الذاكرة, مشكلة البائع المتجول, التمليس المادي, الذكاء الاصطناعي منخفض الطاقة, الحوسبة الطرفية