تصور کنید میخواهید دادهها را بدون نیاز به هفتهها آموزش مدل و هزاران GPU ذخیره کنید. با استفاده از یک ابربردار ۱۰۰۰ بُعدی، شما میتوانید یک خاطره یا رابطه پیچیده را در لحظه ثبت و بازیابی کنید.
طبق اعلام یک راهنمای فنی در تاریخ ۳ جولای ۲۰۲۶ در وبسایت dev.to، این رویکرد که محاسبات ابربُعدی (Hyperdimensional Computing - HDC) نام دارد، بر این اصل ریاضی استوار است که بردارهای تصادفی در فضاهای با ابعاد بسیار بالا، تقریباً بر هم عمود هستند. در این جهان انتزاعی، تنها مفهوم مهم «فاصله» است. همانطور که در تحلیلهای پیشین ما دربارهی بهینهسازی حافظه در مدلهای زبانی اشاره کردیم، هدف این است که از پیچیدگیهای محاسباتی فاصله بگیریم. در HDC، شما بهجای تغییر وزنهای یک مدل عمیق، با بردارهایی بازی میکنید که شبیه به تکههایی از یک پازل عظیم هستند تا خاطرات «نویزدار» یا تداعیهای خاص بسازید.
برای شروع، به پایتون نسخه ۱.۰ یا بالاتر و کتابخانه TorchHD نیاز دارید؛ هرچند برخی توسعهدهندگان برای عملکرد سریعتر، رابط Rust-Python یعنی Holo را ترجیح میدهند. طبق مستندات این ابزارها، گردشکار اصلی بر سه عملیات کلیدی متکی است:
- بندل یا برهمنهی (Bundle): ادغام دو ابربردار برای ایجاد یک مجموعه یا یک حافظه جمعی.
- اتصال (Bind): پیوند دادن دو بردار برای رمزگذاری یک رابطه مشخص بین دو موجودیت.
- شباهت (Similarity): استفاده از شباهت کسینوسی (Cosine Similarity) برای شناسایی الگوها؛ جایی که دو بردار تصادفی معمولاً امتیازی نزدیک به صفر میگیرند.
به گزارش نویسندگان این راهنما، برای کسانی که تازه کار با این سیستم را شروع کردهاند، استفاده از ابعاد (d) ۱۰۰۰ توصیه میشود تا کنترل روی بردارها حفظ شود. این پیکربندی اجازه میدهد بدون تحمیل هزینههای سنگین استنتاج (Inference) — یعنی همان لحظه تولید جواب که شبیه به خودِ آشپزی است و نه دورهی آموزش آشپز — نمونههای اولیه از حافظههای تداعی را بسازید.
این چرخش به سمت HDC نشان میدهد که آیندهی هوش مصنوعی ممکن است از پسانتشار (Backpropagation) энерго-بر و گرانقیمت، به سمت دستکاری بردارهای بهینه و الهامگرفته از بیولوژی حرکت کند. برای توسعهدهنده، این به معنای اجرای سریعتر و روشی بصریتر برای مدیریت روابط ساختاریافته در دادههاست.
گام بعدی شما
- با استفاده از TorchHD یک نقشهی حافظه تداعی ساده برای دستهبندی کلمات بسازید.
- برای دسترسی به سرعت پردازش بالاتر، کتابخانه Holo را در پروژههای خود جایگزین کنید.
- تفاوت نرخ خطای سیستمهای HDC را با مدلهای کوچک زبانی (SLM) در وظایف بازیابی مقایسه کنید.
اما تأثیر این رویکرد بر سختافزارهای نسل بعد حتی شگفتانگیزتر است؛ برای درک این موضوع به تحلیل ما دربارهی تراشههای عصبی (Neuromorphic) مراجعه کنید.
گفتگو