سیستمی کاربرپسند برای توسعۀ شبیه‌سازی‌ها و مدل‌های هوش مصنوعی کارآمدتر

مدل‌های هوش مصنوعی مبتنی بر شبکه‌های عصبی، که در کاربردهایی مانند پردازش تصاویر پزشکی و تشخیص گفتار استفاده می‌شوند، برای پردازش داده‌های پیچیده به حجم عظیمی از محاسبات نیاز دارند. این امر یکی از دلایل مصرف بالای انرژی در مدل‌های یادگیری عمیق است.

به‌منظور افزایش بهره‌وری این مدل‌ها، پژوهشگران MIT سیستمی را توسعه داده‌اند که به توسعه‌دهندگان الگوریتم‌های یادگیری عمیق این امکان را می‌دهد تا هم‌زمان از دو نوع افزونگی داده استفاده کنند. این روش باعث کاهش میزان محاسبات، پهنای باند و حافظه مورد نیاز برای عملیات یادگیری ماشین می‌شود.

بهینه‌سازی هم‌زمان دو نوع افزونگی در داده‌ها

روش‌های سنتی بهینه‌سازی الگوریتم‌ها معمولاً پیچیده‌اند و تنها به توسعه‌دهندگان اجازه می‌دهند که از یکی از دو نوع افزونگی موجود در داده‌های یادگیری عمیق بهره ببرند:

• پراکندگی (Sparsity): در بسیاری از مجموعه داده‌ها، اطلاعات به‌صورت ناقص ذخیره می‌شوند. برای مثال، در داده‌های نظرات کاربران یک فروشگاه اینترنتی، بیشتر مقادیر ممکن است صفر باشند، زیرا همه کاربران برای همه محصولات نظری ثبت نکرده‌اند. در چنین حالتی، مدل می‌تواند تنها مقادیر غیرصفر را ذخیره و پردازش کند و از انجام محاسبات غیرضروری بپرهیزد.
• تقارن (Symmetry): در برخی داده‌ها، بخش‌های مختلف یک ماتریس یا تنسور ممکن است متقارن باشند. به‌عنوان مثال، اگر نیمه بالایی و پایینی یک تنسور برابر باشند، مدل می‌تواند تنها با پردازش یک نیمه، مقدار محاسبات را کاهش دهد.

ترکیب این دو روش بهینه‌سازی می‌تواند تأثیر قابل‌توجهی در کاهش محاسبات داشته باشد، اما اجرای هم‌زمان آن‌ها بسیار پیچیده است.

SySTeC؛ کامپایلری هوشمند برای بهینه‌سازی محاسبات

برای ساده‌سازی این فرآیند، پژوهشگران MIT کامپایلری به نام SySTeC طراحی کرده‌اند که می‌تواند به‌طور خودکار از هر دو نوع افزونگی در داده‌های یادگیری عمیق استفاده کند.

SySTeC از سه روش کلیدی برای بهینه‌سازی محاسبات بهره می‌برد:

1. اگر خروجی الگوریتم متقارن باشد، تنها نیمی از آن نیاز به محاسبه دارد.
2. اگر ورودی الگوریتم متقارن باشد، تنها نیمی از آن نیاز به خواندن دارد.
3. اگر نتایج میانی پردازش‌ها متقارن باشند، محاسبات اضافی حذف می‌شوند.

پس از اعمال این بهینه‌سازی‌ها، کامپایلر در مرحله دوم تنها مقادیر غیرصفر را ذخیره می‌کند تا برنامه را از نظر پراکندگی نیز بهینه‌سازی کند. در نهایت، SySTeC کدی بهینه و آماده اجرا تولید می‌کند.

افزایش سرعت محاسبات تا ۳۰ برابر

نتایج آزمایش‌های انجام‌شده نشان می‌دهند که کدهای تولیدشده توسط SySTeC می‌توانند سرعت پردازش را تا ۳۰ برابر افزایش دهند.

از آنجایی که این سیستم به‌طور خودکار فرآیند بهینه‌سازی را انجام می‌دهد، به‌ویژه برای دانشمندانی که متخصص یادگیری عمیق نیستند اما به بهبود کارایی الگوریتم‌های هوش مصنوعی مورد استفاده خود نیاز دارند، بسیار مفید خواهد بود. علاوه بر این، این سیستم می‌تواند در محاسبات علمی و تحلیل داده‌ها نیز کاربرد داشته باشد.

کاربردهای گسترده و آینده SySTeC

از آنجا که SySTeC از یک زبان برنامه‌نویسی کاربرپسند استفاده می‌کند، می‌تواند الگوریتم‌های یادگیری ماشین را برای طیف وسیعی از کاربردها بهینه کند.

در گام‌های بعدی، پژوهشگران MIT قصد دارند این کامپایلر را با سیستم‌های موجود برای پردازش تنسورهای پراکنده ادغام کنند تا یک رابط کاربری یکپارچه و کارآمدتر برای توسعه‌دهندگان فراهم شود. علاوه بر این، آن‌ها به دنبال بهینه‌سازی SySTeC برای پردازش‌های پیچیده‌تر و کاربردهای پیشرفته‌تر هستند.

Credit" "User-friendly system can help developers build more efficient simulations and AI models" by Adam Zewe | MIT News.

Read full article here: https://news.mit.edu/2025/user-friendly-system-can-help-developers-build-more-efficient-simulations-and-ai-models-0203