طرح نوآورانه ضربکننده تقریبی «ARTS»؛ گامی مؤثر به سوی سختافزارهای کارآمد برای هوش مصنوعی
ضربکننده تقریبی نوین با نام (ARTS) که بر پایه کاهش تقریبی درختی و تقسیمبندی است، توسط محققان دانشگاه تهران رونمایی شد.
به گزارش روابطعمومی دانشگاه تهران، طرح پژوهشی ضربکننده تقریبی نوین، پاسخی مستقیم به چالش فزاینده پیادهسازی سختافزاری کارآمد برنامههای کاربردی یادگیری ماشین و هوش مصنوعی در زندگی روزمره توسط محققان دانشکدگان فنی طراحی شد.
دکتر شقایق وحدت، عضو هیأت علمی دانشکده مهندسی برق و کامپیوتر، سرپرست این طرح در تشریح ضرورت این ساختار اظهار داشت: «با نفوذ روزافزون هوش مصنوعی در تمامی حوزهها، از گوشیهای تلفن همراه تا سیستمهای تشخیص پزشکی، نیاز به واحدهای محاسباتی سریع، کممصرف و کمحجم، به ویژه ضربکنندهها که قلب تپنده این محاسبات هستند، بیش از پیش احساس میشود. طراحی ARTS با هدف غلبه بر همین محدودیتهای سختافزاری انجام شده است».
عضو هیأت علمی دانشکده مهندسی برق و کامپیوتر، افزود: «ایده محوری در ARTS، تقسیم عملوندهای ورودی به بخشهای ایستا و سپس جمعزدن تقریبی حاصلضربهای جزئی با استفاده از درختهای کاهش سادهشده است. این رویکرد، محاسبات پرحجم را به شکلی هوشمندانه، ساده و کارآمد میکند».
وی با تاکید بر اینکه نتایج آزمایشهای این طرح، بهبودهای قابل ملاحظهای را در شاخصهای کلیدی سختافزار نشان میدهد، اظهار داشت: «نتایج این طرح به کاهش ۶۸.۶ درصدی توان مصرفی، کاهش ۱۶.۵ درصدی تأخیر و کاهش ۶۰ درصدی سطح تراشه در مقایسه با یک ضربکننده دقیق ۸- بیتی است و در مقایسه با سایر ضربکنندههای تقریبی پیشرفته دنیا نیز، بهبودهایی تا ۵۹.۸ درصد در توان، ۳۷.۲ درصد در تأخیر و ۵۲.۸ درصد در مساحت به ثبت رسیده است».
پژوهشگر دانشکدگان فنی خاطر نشان کرد: «برخلاف بسیاری از طرحهای تقریبی که تنها بر معیارهای سختافزاری متمرکزند، ARTS در عین حفظ دقت قابل قبول، در کاربردهای واقعی نیز عملکرد درخشانی دارد».
وی در ادامه افزود: «در عملیات ضرب تصویر و آشکارسازی لبه سوبل که جز کاربردهای متداول پردازش تصویر هستند، ARTS به ترتیب تا ۹۱.۴ درصد و ۲۸.۳ درصد کیفیت تصویر بهتری بر اساس شاخص (PSNR) و تا ۵۲.۴ درصد و ۲۰.۵ درصد شباهت ساختاری بهتری بر اساس شاخص (SSIM) در مقایسه با دیگر طرحهای پیشرفته ارائه میکند و در کاربرد شبکههای عصبی عمیق (DNN)، این ضربکننده، بیش از ۸۴.۸ درصد دقت بالاتر را نسبت به طرحهای تقریبی همرده با ویژگیهای سختافزاری مشابه به نمایش گذاشته است».
دکتر شقایق وحدت با اشاره به آینده این فناوری تصریح کرد: «ARTS تنها یک شروع است. این معماری، پتانسیل بالایی برای بهکارگیری در طیف وسیعی از سامانههای کمتوان و پرسرعت، از پردازندههای لبۀ اینترنت اشیا تا شتابدهندههای هوش مصنوعی دارد و میتواند گامی مؤثر در بومیسازی و بهینهسازی سختافزارهای پیشرفته در کشور باشد».
این پژوهش با تلاش و همراهی دانشجویان، مهندس مهلا صالحی و مهندس سهند دیوسالار، به ثمر رسیده است.
این دستاورد پژوهشی، نمونهای موفق از تلفیق نظریههای نوین محاسبات تقریبی با مهندسی سختافزار دیجیتال است که میتواند چشمانداز روشنی را در صنعت طراحی تراشههای هوشمند ترسیم کند.
این موفقیت، الهامبخش دانشجویان دانشکده مهندسی برق و کامپیوتر خواهد بود تا با ورود به حوزه محاسبات تقریبی و طراحی سختافزارهای نوآورانه، دستاوردهای درخشانتری برای دانشگاه رقم بزنند».
https://www.sciencedirect.com/science/article/pii/S0167739X25003929
