إلى الترجيح الفيزيائي في أنظمة التطور العصبي

يُسهم الاستخدام المتزايد للنماذج الذكية الاصطناعية، وخاصة الشبكات العصبية العميقة (DNNs)، في زيادة استهلاك الطاقة أثناء التدريب والاستنتاج، مما يثير مخاوف بيئية ويدفع نحو الحاجة إلى خوارزميات وأجهزة أكثر كفاءة في استهلاك الطاقة. يعالج هذا العمل مشكلة استهلاك الطاقة المتزايد في التعلم الآلي (ML)، وبشكل خاص خلال مرحلة الاستنتاج. فحتى تقليل طفيف في استهلاك الطاقة يمكن أن يؤدي إلى وفورات كبيرة في الطاقة، مما يعود بالنفع على المستخدمين والشركات والبيئة على حد سواء. يركّز نهجنا على تعظيم دقة نماذج الشبكات العصبية الاصطناعية (ANN) باستخدام إطار تطوري عصبي (neuroevolutionary framework)، مع تقليل استهلاك الطاقة قدر الإمكان. ولتحقيق ذلك، يتم أخذ استهلاك الطاقة بعين الاعتبار ضمن دالة الأداء (fitness function). ونقدّم استراتيجية طفرة جديدة تعيد عشوائيًا إدخال وحدات الطبقات، مع منح الوحدات الأكثر كفاءة في استهلاك الطاقة احتمالًا أعلى للاختيار. كما نقدّم تقنية مبتكرة تتيح تدريب نموذجين منفصلين في خطوة تدريب واحدة، مع تشجيع أحد النموذجين على أن يكون أكثر كفاءة في استهلاك الطاقة مقارنة بالآخر، مع الحفاظ على دقة مماثلة. تُظهر النتائج تقليل استهلاك الطاقة في نماذج ANN بنسبة تصل إلى 29.2% دون حدوث انخفاض ملحوظ في الأداء التنبؤي.