الحوسبة داخل الذاكرة In-Memory Computing: لماذا تضيع الحواسيب وقتها في نقل البيانات؟

 الحوسبة داخل الذاكرة In-Memory Computing: لماذا تضيع الحواسيب وقتها في نقل البيانات؟

عندما نطلب من الحاسوب تنفيذ عملية، قد نتخيل أن المعالج يبدأ بالحساب فورًا. لكن جزءًا مهمًا من الوقت والطاقة يُستهلك في شيء آخر: تحريك البيانات بين الذاكرة والمعالج.

ومع تطبيقات الذكاء الاصطناعي التي تحتاج إلى التعامل مع كميات هائلة من البيانات، أصبحت هذه الحركة تحديًا حقيقيًا.

فماذا لو استطعنا تنفيذ بعض العمليات الحسابية في المكان الذي توجد فيه البيانات نفسها؟

هنا تظهر فكرة In-Memory Computing.

ما الحوسبة داخل الذاكرة؟

الحوسبة داخل الذاكرة هي اتجاه معماري يهدف إلى تقليل الحاجة إلى نقل البيانات باستمرار بين وحدات التخزين أو الذاكرة والمعالج، من خلال تمكين تنفيذ بعض العمليات بالقرب من الذاكرة أو داخل بنية الذاكرة نفسها.

في الحاسوب التقليدي، تسير العملية بصورة مبسطة هكذا:

الذاكرة ← نقل البيانات ← المعالج ← تنفيذ العملية ← إعادة النتائج إلى الذاكرة.

وتتكرر هذه الدورة أعدادًا هائلة من المرات.

أما الحوسبة داخل الذاكرة فتحاول تقليل هذا التنقل.

ما مشكلة «جدار الذاكرة»؟

تطورت قدرة المعالجات على تنفيذ العمليات بسرعة كبيرة، لكن سرعة نقل البيانات بين المعالج والذاكرة لم تتطور دائمًا بالمعدل نفسه.

وينتج عن ذلك ما يعرف باسم:

Memory Wall – جدار الذاكرة

فقد يكون المعالج قادرًا على إجراء الحساب بسرعة، لكنه يضطر إلى الانتظار حتى تصل إليه البيانات.

وبذلك لا تصبح قوة المعالج وحدها العامل الذي يحدد أداء الحاسوب.

لماذا أصبحت المشكلة أكبر مع الذكاء الاصطناعي؟

الشبكات العصبية تعتمد بكثافة على عمليات رياضية تتطلب قراءة أعداد ضخمة من القيم والأوزان.

وفي النماذج الكبيرة، يمكن أن يصبح نقل هذه البيانات جزءًا مهمًا من تكلفة تشغيل النظام واستهلاكه للطاقة.

ولهذا يبحث المهندسون عن طرق تجعل الحساب أقرب إلى البيانات.

كيف يمكن للذاكرة أن «تحسب»؟

هناك عدة تصاميم قيد البحث والتطوير، ولا تعمل جميعها بالطريقة نفسها.

في بعض الأساليب يتم دمج وحدات معالجة بالقرب من شرائح الذاكرة.

وفي اتجاه أكثر تقدمًا يعرف باسم Compute-in-Memory، يمكن تصميم مكونات الذاكرة بحيث تساهم مباشرة في تنفيذ أنواع معينة من العمليات الرياضية.

والهدف ليس تحويل الذاكرة إلى CPU كامل، وإنما جعلها قادرة على تنفيذ مهام محددة بكفاءة عالية.

ما علاقتها بالذكاء الاصطناعي؟

إحدى أكثر المجالات الواعدة هي تسريع عمليات الشبكات العصبية.

فإذا كانت البيانات والأوزان موجودة أصلًا بالقرب من مكان الحساب، يمكن تقليل كمية البيانات التي يجب نقلها ذهابًا وإيابًا.

وهذا قد يساعد على تحسين الأداء وكفاءة استهلاك الطاقة في بعض أنواع مسرعات الذكاء الاصطناعي.

هل هي نفسها Computational Storage؟

لا، وهنا الفرق مهم لأن موضوعنا السابق كان عن التخزين الحسابي.

Computational Storage ينقل بعض المعالجة بالقرب من وحدات التخزين مثل SSD، خصوصًا عند التعامل مع كميات ضخمة من البيانات المخزنة.

أما In-Memory Computing فتتعامل مع مستوى مختلف من بنية الحاسوب، وتركز على الذاكرة المستخدمة أثناء العمليات الحسابية وتقليل حركة البيانات بينها وبين وحدات المعالجة.

الفلسفة متشابهة:

اجعل الحساب أقرب إلى البيانات.

لكن مكان التطبيق والتقنيات المستخدمة مختلفان.

ماذا يمكن أن نستفيد منها؟

إذا تطورت هذه التقنيات وانتشرت بصورة أكبر، فقد تساعد في بناء مسرعات ذكاء اصطناعي أكثر كفاءة، وأجهزة طرفية تستطيع تشغيل AI بطاقة أقل، وأنظمة تحليل بيانات أسرع.

وقد تكون كفاءة الطاقة مهمة بصورة خاصة للأجهزة الصغيرة التي لا تستطيع استخدام معالجات ضخمة أو أنظمة تبريد قوية.

ما التحديات؟

الحوسبة داخل الذاكرة ليست حلًا سحريًا.

فهناك تحديات في دقة العمليات، وتصميم الشرائح، والبرمجيات، والتصنيع، وربط هذه المعماريات بالأنظمة الحالية.

كما أن أنواعًا معينة من العمليات تستفيد منها أكثر من غيرها، ولذلك من غير المتوقع أن تختفي المعالجات التقليدية بسببها.

هل ستتغير بنية الحاسوب التي نعرفها؟

لعقود طويلة كان التصميم السائد يفصل بصورة واضحة بين المكان الذي تُحفظ فيه البيانات والمكان الذي تُعالج فيه.

لكن عصر الذكاء الاصطناعي يدفع الصناعة إلى إعادة التفكير في هذا الفصل.

وربما لن يكون السؤال مستقبلًا:

كم تبلغ سرعة المعالج؟

بل:

كم مرة اضطر النظام إلى تحريك البيانات قبل أن يحصل على النتيجة؟

وإذا استطعنا تقليل تلك الرحلة، فقد يصبح الجيل القادم من أنظمة الذكاء الاصطناعي أسرع وأكثر كفاءة دون الاعتماد فقط على زيادة قوة المعالج.