دقت ۹۴.۹ درصدی در مجموعه داده CIFAR-10 و ۷۶ درصدی در CIFAR-100؛ اینها نتایجی هستند که در ۲ جولای ۲۰۲۶ منتشر شدند. طبق گزارشی که در ابتدا در arxiv.org بازنشر شد، یک گروه پژوهشی ثابت کردند که تراشههای ترمودینامیکی مبتنی بر ماشین ایسینگ میتوانند بدون کاهش دقت، با استفاده از الگوریتمهای استاندارد پسانتشار (Backpropagation) آموزش ببینند.
محاسبات ترمودینامیکی پارادایم پردازش را از سوئیچینگ ترانزیستوری به بهرهگیری از نویز حرارتی و تعادل گیبز تغییر میدهد. همانطور که در تحلیل قبلی ما دربارهی سختافزارهای غیر-فوننویمانی اشاره کردیم، این رویکرد برای سالها در سطح تئوری بود، اما پل زدن میان فیزیک ایدهآل و چرخههای آموزشی عملی، پیش از این برای مقیاسپذیری واقعی بسیار گران و پیچیده بود.
بر اساس مستندات این پژوهش، محققان یک دستورالعمل الگوریتمی خاص برای اجرایی کردن این مدل معرفی کردند:
- تبدیل تناظر نمونهبرداری گیبز به یک الگوریتم آموزشپذیر سازگار با پسانتشار.
- ترسیم رابطه ریاضی میان هزینه استنتاج (Inference) یا همان زمان نمونهبرداری و دقت نهایی. این فرآیند استنتاج در واقع مرحلهی نهایی از چرخه تبدیل دادههای خام به خروجیهای هوشمند است که در تحلیلهای پیشین بررسی کردیم.
- توسعه روشی برای کنترل زمان خودهمبستگی (Autocorrelation time) که تعیین میکند تراشه با چه سرعتی حالت قبلی خود را فراموش میکند تا نمونهای مستقل ارائه دهد.
این پیشرفت حیاتی است زیرا ارزش اصلی هوش مصنوعی ترمودینامیکی، مصرف انرژی پایین برای رایانش لبه (Edge Computing) است. طبق اعلام نویسندگان، زمان نمونهبرداری طولانیتر دقت را بالا میبرد اما هزینه محاسباتی را افزایش میدهد. آنها اثبات کردند که این موازنه از یک منحنی مجاسوم پیشبینیپذیر پیروی میکند و به مهندسان اجازه میدهد برنامههای نمونهبرداری را بر اساس بودجههای مشخص انرژی و تأخیر طراحی کنند، نه بر اساس حدس و گمان.
برای متخصصان حوزه سختافزار، این دستاورد تراشههای ترمودینامیکی را از یک نمایش فیزیک تئوری به یک هدف سختافزاری مهندسیپذیر تبدیل میکند. این متد نیاز به شبیهسازیهای فیزیکی پیچیده در هر مرحله از آموزش را حذف کرده و آن را با چارچوب آشنای گرادیان کاهشی (Gradient Descent) جایگزین میکند.
با این حال، این مطالعه همچنان یک اثبات مفهوم (Proof of Concept) بر پایه شبیهسازی است و هنوز سختافزار سیلیکونی نهایی ساخته نشده است. استفاده از مجموعههای داده کوچک مانند CIFAR تأیید میکند که این پژوهش بیشتر اعتبارسنجی روش آموزش است تا ادعای برتری فوری نسبت به واحد پردازش گرافیکی (GPU).
گام بعدی شما
- بررسی متون ارجاعشده در NASA ADS یا Connected Papers برای درک عمیقتر ریاضیات مدل ایسینگ.
- دنبال کردن گزارشهای CatalyzeX برای مشاهده تلاشهای جامعه بازمتن در بازتولید این نتایج.
- تحلیل اثرات کاهش زمان نمونهبرداری بر تأخیر (Latency) در کاربردهای بلادرنگ.
این تنها آغاز ماجراست؛ اثرات این تغییر معماری بر بازدهی انرژی در مدلهای زبانی کوچک را در گزارشهای آتی بررسی خواهیم کرد.
گفتگو