طور باحثون في جامعة بكين رقائق حاسوبية تناظرية تحل معادلات مصفوفية رئيسية لتدريب الذكاء الاصطناعي بدقة عالية وسرعة. تعد هذه الرقائق بمعالجة أسرع حتى 1000 مرة واستهلاك طاقة أقل 100 مرة مقارنة بوحدات معالجة الرسوميات الرقمية. تلبي الابتكار الطلبات المتزايدة على الطاقة للذكاء الاصطناعي في مراكز البيانات.
الحواسيب التناظرية، التي تعالج البيانات باستخدام كميات مستمرة مثل المقاومة الكهربائية بدلاً من الأرقام الثنائية، قدمت منذ زمن طويل مزايا في السرعة والكفاءة على الأنظمة الرقمية لكن غالباً على حساب الدقة. الآن، أنشأ Zhong Sun في جامعة بكين في الصين وفريقه زوجاً من الرقائق التناظرية لمواجهة هذه المشكلة، مع التركيز على معادلات المصفوفات الأساسية لتدريب نماذج الذكاء الاصطناعي والاتصالات والمحاكاة العلمية.
يتضمن الإعداد رقيقتين تعملان معاً. تقدم الأولى حلاً سريعاً منخفض الدقة لحسابات المصفوفة مع معدل خطأ يبلغ حوالي 1 في المئة. ثم يطبق الرقاقة الثانية خوارزمية تهذيب تكرارية، تحلل الأخطاء وتحسن الدقة. بعد ثلاث دورات، ينخفض الخطأ إلى 0.0000001 في المئة، مطابقاً لدقة الحسابات الرقمية القياسية، وفقاً لـ Sun.
حالياً، تتعامل الرقائق مع مصفوفات 16 × 16، تشمل 256 متغيراً، مناسبة للمشكلات الأصغر. التوسع إلى المصفوفات الضخمة في نماذج الذكاء الاصطناعي الحديثة سيحتاج إلى دوائر تصل إلى مليون × مليون، يشير Sun. الفائدة الرئيسية هي أن حل المصفوفات الأكبر لا يبطئ الرقائق التناظرية، بخلاف الرقمية، التي تواجه تحديات أسية. لمصفوفة 32 × 32، سيتفوق رقاقة الفريق على وحدة معالجة الرسوميات Nvidia H100 في الإنتاجية—البيانات المعالجة في الثانية.
نظرياً، يمكن أن يحقق التوسع الإضافي 1000 مرة من إنتاجية الرقائق الرقمية مثل وحدات معالجة الرسوميات باستخدام 100 مرة أقل من الطاقة. ومع ذلك، يحذر Sun من أن التطبيقات الواقعية قد لا تستفيد كاملاً من ذلك، حيث تقتصر الرقائق على حسابات المصفوفات. «إنها مجرد مقارنة للسرعة، وقد يكون المشكل في التطبيقات الحقيقية مختلفاً»، يقول Sun. «رقاقتنا يمكنها فقط القيام بحسابات المصفوفات. إذا كان حساب المصفوفة يشغل معظم المهمة الحسابية، فإنه يمثل تسريعاً كبيراً جداً للمشكلة، لكن إذا لم يكن كذلك، سيكون تسريعاً محدوداً».
يتوقع Sun رقائق هجينة، تجمع الدوائر التناظرية في وحدات معالجة الرسوميات لمهام محددة، على الرغم من أن ذلك يبقى على بعد سنوات. يبرز James Millen في كينغز كوليدج لندن الإمكانيات: «الحواسيب التناظرية مصممة لمهام محددة، وبهذه الطريقة يمكن أن تكون سريعة وكفؤة بشكل لا يصدق. يستخدم هذا العمل رقاقة حوسبة تناظرية لتسريع عملية تسمى عكس المصفوفة، وهي عملية رئيسية في تدريب نماذج الذكاء الاصطناعي المعينة. القيام بذلك بكفاءة أكبر يمكن أن يساعد في تقليل الطلبات الطاقوية الهائلة لاعتمادنا المتزايد على الذكاء الاصطناعي».
تظهر البحث في Nature Electronics (DOI: 10.1038/s41928-025-01477-0).