کاهش مصرف انرژی سخت‌افزارهای هوش مصنوعی توسط پژوهشگران ایرانی

به گزارش پایگاه خبری پژوهندگان عصر، افزایش کاربرد هوش مصنوعی، نیاز به پردازنده‌هایی سریع‌تر و با مصرف انرژی کمتر را تشدید کرده است. یکی از حوزه‌هایی که در پردازش‌های هوش مصنوعی به توان و فضای سخت‌افزاری زیادی نیاز دارد، انجام عملیات ضرب اعداد است. پژوهشگران دانشگاه تهران در این تحقیق تلاش کرده‌اند تا این محاسبات را به روشی ساده‌تر و با مصرف انرژی کمتر انجام دهند.

در این پژوهش، روشی به نام ELA-FPM برای محاسبه تقریبی ضرب اعداد معرفی شده است. ایده اصلی این روش این است که تمامی بخش‌های یک محاسبه عددی با یک سطح دقت یکسان پردازش نشوند؛ بخش‌هایی که تأثیر بیشتری بر نتیجه دارند با دقت بالاتری محاسبه می‌شوند و بخش‌هایی که تأثیر کمتری دارند، با روشی ساده‌تر و سریع‌تر محاسبه یا حذف می‌شوند.

برای پیاده‌سازی این ایده، پژوهشگران از یک جدول از پیش آماده برای انجام بخشی از محاسبات استفاده کرده‌اند. این اقدام موجب می‌شود به جای استفاده از مدارهای پیچیده و پرمصرف برای انجام تمامی محاسبات، بخشی از عملیات با ساختاری ساده‌تر انجام گیرد. در نتیجه، سخت‌افزار کوچک‌تر، سریع‌تر و با مصرف انرژی کمتری می‌شود.

نتایج آزمایش‌های سخت‌افزاری نشان داد که روش ELA-FPM در مقایسه با روش دقیق انجام ضرب، تا ۶۸.۳ درصد زمان پردازش کمتر، ۸۰.۳ درصد مصرف انرژی کمتر و ۹۲.۱ درصد فضای سخت‌افزاری کمتری نیاز دارد. این روش همچنین در مقایسه با بهترین روش‌های تقریبی موجود نیز عملکرد قابل توجهی از خود نشان داده است؛ به‌طوری که تا ۶۵.۶ درصد کاهش زمان پردازش، ۷۰ درصد کاهش مصرف انرژی و ۷۱ درصد کاهش فضای سخت‌افزاری گزارش شده است.

پژوهشگران برای اطمینان از اینکه کاهش محاسبات منجر به افت قابل توجهی در عملکرد هوش مصنوعی نمی‌شود، روش پیشنهادی را بر روی چند مدل شناخته‌شده شبکه‌های عصبی آزمایش کردند. نتایج نشان داد که در یکی از پیکربندی‌های ELA-FPM، حداکثر کاهش دقت مدل‌های بررسی‌شده تنها ۰.۰۵ درصد بوده است؛ در حالی که در همین پیکربندی، زمان پردازش ۳۶ درصد، مصرف انرژی ۷۶ درصد و فضای سخت‌افزاری ۸۸ درصد کاهش یافته است.

این یافته‌ها نشان می‌دهد که در برخی کاربردهای هوش مصنوعی، می‌توان بخشی از محاسبات را به صورت تقریبی انجام داد و در عوض، صرفه‌جویی قابل توجهی در منابع سخت‌افزاری و انرژی حاصل کرد، بدون اینکه دقت نهایی مدل به طور محسوسی کاهش یابد.

روش پیشنهادی همچنین بر روی BERT، یکی از مدل‌های معروف پردازش زبان، آزمایش شد. در یکی از پیکربندی‌های ELA-FPM، دقت مدل به ۸۴.۱۹ درصد رسید که تقریباً با دقت مدل در حالت استفاده از محاسبات دقیق برابر است. بر اساس نتایج این پژوهش، ELA-FPM می‌تواند راهکاری برای طراحی سخت‌افزارهای مورد استفاده در هوش مصنوعی باشد که انرژی کمتری مصرف می‌کنند، فضای کمتری اشغال می‌کنند و در عین حال سرعت پردازش بالاتری دارند.

این ویژگی می‌تواند به‌ویژه در توسعه تجهیزات پردازشی مورد استفاده برای شتاب‌دهنده‌های شبکه‌های عصبی، مدل‌های هوش مصنوعی و مدل‌های زبانی بزرگ اهمیت داشته باشد. این مقاله با عنوان «ELA-FPM: An Energy-Efficient LUT-Based Approximate Floating-Point Multiplier for Neural Network Acceleration» به قلم مهلا صالحی شیخعلی کِلایه، اسما ناصری‌راد، سهند دیوسالار، امید صالحی‌نیا و دکتر شقایق وحدت، عضو هیأت علمی دانشکده مهندسی برق و کامپیوتر دانشگاه تهران، در مجله IEEE Micro، از نشریات IEEE Computer Society، در شماره ماه‌های مه و ژوئن ۲۰۲۶ منتشر شده است. این مقاله در پیوند زیر قابل مشاهده است: https://ieeexplore.ieee.org/abstract/document/11458722