LIMO: Kenar bilişim için düşük güçlü bellekte tavlama ve matris çarpımı ilkel işlemi

Daha Akıllı Rotalar ve Daha Sade Çipler

Her gün, şirketler binlerce durak ziyaret eden bir teslimat kamyonu için en kısa rotayı bulmak veya pil ile çalışan bir kamerayla yüzleri hızla tespit etmek gibi bulmacalarla karşılaşıyor. Bu problemler, verileri bellek ile işlemciler arasında sürekli hareket ettiren bugünün bilgisayarlarına büyük yük bindiriyor. Bu makale, veriyi yerinde tutarak zorlu rota planlama görevlerini ve yapay zeka (YZ) modellerini çözen, böylece gelecek kenar aygıtlarını daha hızlı ve daha enerji verimli kılan LIMO adında yeni bir düşük güçlü hesaplama bloğunu tanıtıyor.

İyi Rota Bulmanın Neden Bu Kadar Zor Olduğu

Bu çalışmanın merkezinde ünlü Gezgin Satıcı Problemi yer alıyor: birçok şehir verildiğinde, her şehri bir kez ziyaret edip başlangıca dönen en kısa turu bulun. Küçük haritalarda, keskin matematiksel araçlar en iyi yanıtı bulabilir. Ancak şehir sayısı on binleri buldukça olası turların sayısı patlar ve güçlü bilgisayarlar bile zorlanır. Simüle tavlama gibi sezgisel yöntemler, takılı kalmayı önlemek için bazen daha kötü ara rotaları kabul ederek bu geniş arama alanında iyi (tam mükemmel olmayan) turlar arayabilir. Bununla birlikte, standart yaklaşımlar çok büyük problemler için arama alanını hâlâ verimsizce araştırır ve bellek ile CPU arasındaki veri taşımada zaman kaybına yol açar; buna ‘‘bellek duvarı’’ denir.

Olasılıkları Aramak İçin Yeni Bir Yol

Yazarlar, aday turların keşfedilme biçimini yeniden şekillendiren Significance Weighted Annealed Insertion (SWAI) adlı yeni bir algoritma öneriyor. Şehir çiftlerini sürekli takas etmek yerine —şehri sayısı arttıkça kötü ölçeklenen bir yöntem— SWAI turu adım adım inşa eder, her seferinde bir yeni şehir ekler. Her adımda bazen en yakın sonraki şehri (açgözlü bir seçim) seçer, bazen de daha kısa aday kenarları tercih eden ancak daha uzun olanları tamamen dışlamayan kontrollü bir rastgeleliğe dayanır. Bu önyargı zaman içinde ayarlanır; başlangıçta daha maceracı, arama ilerledikçe daha temkinli olur. Her adım seçeneklere yalnızca şehir sayısı ile doğrusal olarak büyüyen bir şekilde baktığından, algoritma geleneksel simüle tavlamadan daha etkili bir biçimde uzun menzilli iyileştirmeleri keşfeder.

Yerleşik Rastgelelikle Bellek İçinde Hesaplama

LIMO, devre tasarımı ile arama yöntemini sıkı bir şekilde ortak tasarlayarak bu algoritmayı donanıma dönüştürür. Çekirdeğinde, hem mevcut turu hem de şehirler arasındaki mesafeleri depolayan ve temel güncelleme adımlarını ayrı bir işlemciyle sürekli iletişim kurmadan gerçekleştiren modifiye edilmiş bir bellek dizisi bulunur. Algoritmanın ihtiyaç duyduğu rastgele seçimler, doğru akımla sürüldüğünde doğal olarak belirsiz bir şekilde durum değiştiren spin-transfer-tork manyetik tünel bağlantıları (MTJ) adı verilen küçük manyetik aygıtlardan gelir. Tasarımcılar bu fiziksel rastgeleliği dijital bitlere çevirir ve algoritmadaki olasılıksal kararları uygulamak için basit karşılaştırmalar kullanır. Çoğu işlem dijital olarak ve doğrudan bellek içinde gerçekleştiği için sistem hantal çeviricilerden ve hassas analog devrelerden kaçınır; bu da güç ve alan tasarrufu sağlar.

Büyük Problemleri Parçalara Ayırmak

Gerçekten büyük, 85.900 şehir kadar geniş rota planlama görevlerine yaklaşmak için sistem böl ve yönet (divide-and-conquer) stratejisi kullanır. Hafif bir geometrik yöntem, yakındaki şehirleri bir LIMO bloğuna sığacak kadar küçük kümelere gruplayana kadar bir araya getirir. Donanım bu alt rotaların çoğunu paralel olarak çözer, ardından bunları tam bir tura dikeçler. Ek iyileştirme adımları küresel rotayı daha da cilalar: turun segmentleri donanım tarafından yeniden optimize edilir ve klasik bir ‘‘2-opt’’ temizliği normal bir işlemci üzerinde kalan kesişen yolları giderir. Standart kıyaslama testlerinde, bu birleşik yaklaşım önceki özel tavlama makinelerinden daha yüksek kaliteli turlar üretti ve en büyük problemde yanıtları yaklaşık beş kata kadar daha hızlı buldu.

Zorlu Rotalardan Verimli YZ’ye

LIMO yalnızca rota planlamayla sınırlı değil. Aynı bellek dizisi, görüntü ve desen tanıma arkasındaki temel işlem olan vektör–matris çarpımlarını gerçekleştirerek sinir ağları için de bir yapı taşı olarak kullanılabilir. Analog sinyalleri okumak için güç tüketen, hassas çeviriciler yerine LIMO, birikmiş sinyalin yalnızca işaretini (pozitif/negatif) yakalayan çok basit algılama devrelerine dayanır ve bu kaba ölçümü donanım-dostu bir şekilde ağırlıklandırılmış eğitimle telafi eder. Görüntü sınıflandırma ve yüz tespiti görevlerinde, bu ağlar standart yazılım modellerine yakın doğruluklara ulaşırken, geleneksel hesapla-bellekte (compute-in-memory) çiplere kıyasla enerji tüketimini ve yanıt süresini azalttı. Günlük kullanıcılar için bu, kameralar, insansız hava araçları ve diğer kenar aygıtlarının bir gün karmaşık planlama görevlerini çözebileceği ve YZ modellerini pille daha uzun süre çalıştırabileceği anlamına geliyor; bunun nedeni veriyi barındığı yerde daha akıllıca arama ve hesaplama yapmaktır.

Atıf: 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

Anahtar kelimeler: hafızada hesaplama, gezgin satıcı problemi, donanım tavlaması, düşük güçlü Yapay Zeka, kenar bilişim