معماری کم مصرف برای اجرای مدل های هوش مصنوعی در سامانه های لبه ای

گسترش سریع دستگاه های هوشمند، حسگرهای متصل، دوربین های هوشمند و سامانه های مبتنی بر اینترنت اشیا موجب شده است که اجرای مدل های هوش مصنوعی در نزدیکی محل تولید داده اهمیت زیادی پیدا کند. در چنین سامانه هایی که به عنوان سامانه های لبه ای شناخته می شوند، پردازش داده در خود دستگاه یا در گره های نزدیک به آن انجام می شود تا وابستگی به مراکز پردازشی ابری کاهش یابد. با وجود مزایای فراوان این رویکرد، اجرای مدل های پیچیده هوش مصنوعی در این دستگاه ها با چالش های جدی روبه رو است؛ زیرا سامانه های لبه ای معمولا با محدودیت های شدید در توان مصرفی، ظرفیت حافظه و توان پردازشی مواجه هستند. هدف این پژوهش طراحی و ارزیابی یک معماری پردازشی کم مصرف برای اجرای کارآمد مدل های هوش مصنوعی در سامانه های لبه ای است. در این معماری تلاش شده است با ترکیب چند راهبرد مکمل، مصرف انرژی کاهش یافته و کارایی پردازش افزایش یابد. راهبردهای اصلی مورد استفاده شامل کاهش دقت محاسبات، بهینه سازی ساختار حافظه، حذف محاسبات غیرضروری و زمان بندی هوشمند پردازش ها است. در بخش روش پژوهش، چند سناریوی مختلف شامل معماری پایه، اجرای کاهش دقت، بهینه سازی حافظه، حذف محاسبات غیرضروری و معماری پیشنهادی ترکیبی مورد ارزیابی قرار گرفت. داده های حاصل از آزمایش ها با استفاده از تحلیل های آماری مورد بررسی قرار گرفتند. نتایج نشان داد که معماری پیشنهادی توانسته است مصرف انرژی کل سامانه را به طور میانگین حدود ۴۵ درصد کاهش دهد و در عین حال تاخیر پردازش را بیش از ۳۰ درصد کاهش دهد. همچنین تعداد دسترسی به حافظه بیرونی حدود ۴۳ درصد کاهش یافته و بهره وری انرژی سامانه نزدیک به ۸۰ درصد افزایش پیدا کرده است. در مقابل، دقت مدل تنها کمتر از یک درصد کاهش داشته است که نشان می دهد استفاده از راهبردهای بهینه سازی پیشنهادی می تواند بدون ایجاد افت قابل توجه در کیفیت خروجی مدل، مصرف انرژی را به طور چشمگیری کاهش دهد. نتایج این پژوهش نشان می دهد که طراحی معماری های پردازشی مبتنی بر مدیریت هوشمند منابع محاسباتی و حافظه می تواند زمینه اجرای کارآمد مدل های هوش مصنوعی را در دستگاه های لبه ای کم مصرف فراهم سازد و مسیر توسعه سامانه های هوشمند نسل آینده را هموار کند.

کلیدواژه ها:

معماری کم مصرف ، سامانه های لبه ای ، بهینه سازی مصرف انرژی ، کاهش دقت محاسبات ، مدیریت حافظه ، شتاب دهنده های هوش مصنوعی.