انقلابی در محاسبات هوش مصنوعی؛ دستاورد محققان ایرانی

پژوهشگران دانشکده مهندسی برق و کامپیوتر دانشگاه تهران با ارائه یک معماری نوین برای ضرب‌کننده‌های ممیز شناور (Floating-Point Multiplier)، موفق به کاهش چشمگیر توان مصرفی، مساحت تراشه و زمان تأخیر در محاسبات شدند؛ دستاوردی که می‌تواند نقش مهمی در افزایش بهره‌وری سامانه‌های هوش مصنوعی، شبکه‌های عصبی و پردازش تصویر ایفا کند.

به گزارش سیناپرس، روابط‌عمومی دانشگاه تهران اعلام کرد پژوهشگران دانشکده مهندسی برق و کامپیوتر دانشگاه تهران در پژوهشی جدید، یک ضرب‌کننده تقریبی ممیز شناور با عنوان AFMIS (Approximate Floating-point Multiplier based on Input Segmentation) طراحی کرده‌اند که با بهره‌گیری از روش بخش‌بندی ورودی‌ها، ضمن حفظ دقت محاسبات در کاربردهای تحمل‌پذیر خطا، مصرف انرژی و پیچیدگی سخت‌افزاری را به میزان قابل توجهی کاهش می‌دهد.

این پژوهش به قلم اسما ناصری‌راد، دکتر شقایق وحدت و دکتر علی افضلی‌کوشا از اعضای هیأت علمی دانشکده مهندسی برق و کامپیوتر دانشگاه تهران و با همکاری دکتر مسعود پدرام از دانشگاه کالیفرنیای جنوبی آمریکا انجام شده و نتایج آن در مجله معتبر Future Generation Computer Systems منتشر شده است.

در این پژوهش، محققان با تقسیم بخش مانتیس اعداد ممیز شناور به چند قسمت و انجام عملیات ضرب تنها بر روی مهم‌ترین بخش‌های غیرصفر، موفق شدند نیاز به برخی مدارهای پیچیده و پرهزینه سخت‌افزاری را حذف کنند. این روش علاوه بر افزایش سرعت پردازش، امکان تنظیم سطح دقت محاسبات را متناسب با نوع کاربرد فراهم می‌کند.
نتایج ارزیابی‌های سخت‌افزاری نشان می‌دهد معماری پیشنهادی در مقایسه با ضرب‌کننده‌های دقیق ممیز شناور، توانسته است زمان تأخیر را تا ۸۱.۷ درصد، مساحت مدار را تا ۹۸ درصد و توان مصرفی را تا ۹۹ درصد کاهش دهد. همچنین نسخه بهینه‌سازی‌شده این معماری (E-AFMIS) نیز بهبودهای قابل توجهی در شاخص‌های مصرف انرژی و بهره‌وری سخت‌افزاری به همراه داشته است.
پژوهشگران برای بررسی عملکرد این معماری در کاربردهای عملی، آن را در فشرده‌سازی تصاویر JPEG و مدل‌های یادگیری عمیق مورد ارزیابی قرار دادند. نتایج نشان داد که استفاده از ضرب‌کننده پیشنهادی، تأثیر بسیار ناچیزی بر دقت خروجی این سامانه‌ها داشته و در بسیاری از موارد، عملکرد آن تقریباً با ضرب‌کننده‌های دقیق یکسان بوده است.
در آزمایش‌های انجام‌شده بر روی شبکه‌های عصبی عمیق از جمله ResNet-۱۸، VGG-۱۶ و DenseNet-۱۶۱ نیز معماری پیشنهادی ضمن حفظ دقت طبقه‌بندی داده‌ها، توانسته است مصرف انرژی را به میزان قابل توجهی کاهش دهد. همچنین تصاویر فشرده‌سازی‌شده با استفاده از این ضرب‌کننده، از نظر کیفیت بصری تفاوت محسوسی با تصاویر تولیدشده توسط روش‌های دقیق نداشته‌اند.
این دستاورد پژوهشی می‌تواند زمینه‌ساز توسعه نسل جدیدی از پردازنده‌های کم‌مصرف و پرسرعت برای کاربردهایی نظیر هوش مصنوعی، یادگیری ماشین، اینترنت اشیا و سامانه‌های پردازش تصویر باشد و نقش مؤثری در ارتقای بهره‌وری سخت‌افزارهای محاسباتی آینده ایفا کند.