أحد صفحات التقدم العلمي للنشر
تكنولوجياذكاء اصطناعي

الذكاء الاصطناعي ديب مايند يجد طريقة جديدة لضرب الأرقـام وتسريع الحواسيب

يشكل ضرب المصفوفة Matrix multiplication - حيث تُضرَب شبكتان من الأرقام معاً - الأساس لعديد من مهام الحوسبة، ويمكن لتقنية محسنة اكتشفها الذكاء الاصطناعي أن تعزز سرعات الحساب بنسبة تصل إلى 20 %

اكتشف الذكاء الاصطناعي الذي أنشأته شركة ديب مايند DeepMind طريقة جديدة لضرب الأرقام، وهي أول تقدُّم منذ أكثر من 50 عاماً. يمكن أن يعزز الهدف بعض سرعات الحساب بنسبة تصل إلى 20 %، حيث تضطلع مجموعة من البرامج بتنفيذ المهمة على نطاق واسع.

يُعَد ضرب المصفوفة – حيث تُضرَب شبكتان من الأرقام معاً – مهمة حسابية أساسية تُستخدم في جميع البرامج تقريباً إلى حدٍّ ما، خاصةً في الرسومات والذكاء الاصطناعي والمحاكاة العلمية. حتى التحسن البسيط في كفاءة هذه الخوارزميات يمكن أن يؤدي إلى مكاسب كبيرة في الأداء أو توفير كبير في الطاقة.

على مدى قرون، كان يُعتقَد أن الطريقة الأكثر فعالية لضرب المصفوفات ستكون متناسبة مع عدد العناصر التي تُضاعَف، مما يعني أن المهمة تصبح أكثر صعوبة نسبياً بالنسبة إلى المصفوفات الأكبر والأكبر.

لكن عالم الرياضيات فولكر ستراسن Volker Strassen أثبت في العام 1969 أن ضرب مصفوفة مكونة من صفين من رقمين بأخرى من الحجم نفسه لا تتضمن بالضرورة ثماني عمليات ضرب وأنه، باستخدام حيلة ذكية، يمكن اختصارها إلى سبعة. يتطلب هذا النهج، المسمى خوارزمية ستراسن algorithm Strassen، بعض الإضافات، لكن هذا مقبول لأن الإضافات في الحاسوب تستغرق وقتاً أقل بكثير من عمليات الضرب.

ظلت الخوارزمية هي النهجَ الأكثر فاعلية لمعظم أحجام المصفوفات على مدار أكثر من 50 عاماً، على الرغم من التوصل إلى بعض التحسينات الطفيفة التي لم تكيف بسهولة مع الترميز باستخدام الحاسوب. لكن الذكاء الاصطناعي في ديب مايند اكتشف الآن تقنية أسرع تعمل عملاً مثالياً على الأجهزة الحالية. بدأ الذكاء الاصطناعي الجديد للشركة، ألفا تنسور AlphaTensor، من دون معرفة بأي حلول، وعرضت عليه مسألة إنشاء خوارزمية عاملة تؤدي المهمة بأقل عدد من الخطوات.

ووجد ألفا تنسور خوارزميةً لضرب مصفوفتين من أربعة صفوف من أربعة أرقام باستخدام 47 عملية ضرب فقط، والتي تتفوق في الأداء على ضرب ستراسن البالغ عددها 49. كما طور ديب مايند تقنيات محسنة لضرب المصفوفات ذات الأحجام الأخرى (70 في المجموع).

اكتشف ألفا تنسور الآلاف من الخوارزميات الوظيفية لكل حجم مصفوفة، بما في ذلك 14 ألف مصفوفة 4 × 4 وحدها. لكن أقلية صغيرة فقط كانت أفضل من أفضل ما هو متاح حالياً. يعتمد البحث على ألفا زيرو AlphaZero، نمذجة لعب الألعاب من ديب مايند، وقد استغرق إعداده عامين.

يقول حسين فوزي Hussein Fawzi من ديب مايند إن النتائج سليمة من الناحية الحسابية، لكنها بعيدة كل البعد عن الحدس البشري. يقول: «نحن لا نعرف حقاً لماذا جاء النظام بهذا، أساساً». لماذا هي أفضل طريقة لضرب المصفوفات؟ «إنه من غير الواضح بعد».

بطريقةٍ ما، تتوصل الشبكات العصبية Neural networks إلى حدس لما يبدو جيداً وما يبدو سيئاً. بصراحة لا أستطيع أن أخبرك بالضبط كيف يعمل ذلك. يقول فوزي: «أعتقد أن هناك حاجة إلى قدر من الدراسات النظرية حول الكيفية التي يدير بها التعلم العميق Deep learning هذه الأنواع من الأشياء».

وجدت ديب مايند أن الخوارزميات يمكن أن تعزز سرعة الحساب بنسبة تتراوح بين 10 و20 % على أجهزة معينة مثل وحدة معالجة الرسومات Nvidia V100) GPU) ووحدة معالجة Google tensor (TPU) v2، ولكن ليس هناك ما يضمن أن هذه المكاسب ستتحقق أيضاً على الأجهزة الشائعة مثل الهاتف الذكي أو الحاسوب المحمول.

يقول جيمس نايت James Knight، من جامعة ساسكس University of Sussex بالمملكة المتحدة، إن مجموعة من البرامج التي يشغِّلها على الحواسيب الفائقة والأجهزة القوية، مثل أبحاث الذكاء الاصطناعي ومحاكاة الطقس، هي حسابات قائمة ضرب المصفوفات واسعة النطاق.

ويقول: «إذا نُفِّذ هذا النوع من النهج بالفعل في مثل هذه الحالات، فقد يكون نوعاً من التسريع الشامل… إذا نفذت نفيديا Nvidia هذا في مكتبة كودا CUDA [أداة تسمح لوحدات معالجة الرسومات GPUs بالعمل معاً]، فسيؤدي ذلك إلى تقليل نسبة مئوية من معظم أعباء عمل التعلم العميق».

يقول أودد لاشيش Oded Lachish من بيركبيك، جامعة لندن University of London، إن الخوارزميات الجديدة يمكن أن تعزز كفاءة مجموعة واسعة من البرامج، لأن ضرب المصفوفة مشكلة شائعة – ومن المرجح أن يتبعها مزيد من الخوارزميات.

ويتابع قائلاً: «أعتقد أننا سنرى نتائج ناتجة عن الذكاء الاصطناعي لمسائل أخرى ذات طبيعة مماثلة، وإن كان نادراً ما سيكون شيئاً جوهرياً مثل ضرب المصفوفة. هناك دافع كبير لتطوير مثل هذه التكنولوجيا، نظراً إلى أن عدداً أقل من العمليات في الخوارزمية لا يعني فقط نتائج أسرع، بل يعني أيضاً استهلاك طاقة أقل». إذا كان من الممكن إكمال مهمة ما بنحو أكثر كفاءة قليلاً، فيمكن عندئذٍ تشغيلُها على أجهزة أقل قوة، أو أقل استهلاكاً للطاقة، أو على الجهاز نفسه في وقت أقل، وباستخدام طاقة أقل.

لكن إنجازات ديب مايند لا تعني بالضرورة أن المبرمجين البشريين عاطلون عن العمل. «هل يجب أن يقلق المبرمجون؟ ربما في المستقبل البعيد. أُجرِي التحسين التلقائي لعقود في صناعة تصميم الشرائح الدقيقة، وهذا مجرد أداة مهمة أخرى في ترسانة المبرمج»، كما يقول لاشيش.

© 2022, New Scientist, Distributed by Tribune Content Agency LLC.

بقلم ماثيو سباركس

مقالات ذات صلة

اترك تعليقاً

لن يتم نشر عنوان بريدك الإلكتروني. الحقول الإلزامية مشار إليها بـ *

For security, use of Google's reCAPTCHA service is required which is subject to the Google Privacy Policy and Terms of Use.

زر الذهاب إلى الأعلى