نشر فريق بحثي من جامعة ولاية أريزونا وجامعة ميريلاند ورقة بحثية تقنية تقدم إطار عمل مبتكر يُدعى SEAL، مصمم لمعالجة التحديات الأمنية في معالجات الحوسبة داخل الذاكرة (Compute-in-Memory - CiM) ثلاثية الأبعاد. يهدف هذا الابتكار إلى تقليل ثغرات الأخطاء الناتجة عن مشاركة شبكات توصيل الطاقة في البيئات متعددة المستأجرين.
ما الذي يغيره إطار عمل SEAL؟
تعتمد معالجات الحوسبة داخل الذاكرة ثلاثية الأبعاد على تكديس طبقات ذاكرة متنوعة لتسريع استنتاج الشبكات العصبية العميقة. ومع ذلك، فإن مشاركة موارد الطاقة بين مستخدمين مختلفين (Multitenancy) تفتح ثغرات أمنية يمكن استغلالها. يعمل إطار عمل SEAL على تحسين توزيع طبقات الشبكة العصبية عبر الطبقات المادية للمعالج بشكل ذكي، حيث يقوم بربط الطبقات الأكثر أهمية وحساسية في الشبكة العصبية بالطبقات المادية الأكثر مرونة ومقاومة للأخطاء.
نتائج الأداء والأمن
أظهرت التقييمات التي أجريت باستخدام نماذج مثل ResNet-18 و Qwen2.5-3B تحسناً ملموساً في مقاومة الأخطاء:
- تحقيق انخفاض في ثغرة الأخطاء بنسبة تصل إلى 3.9 ضعف لنموذج ResNet-18.
- تحقيق انخفاض في ثغرة الأخطاء بنسبة تصل إلى 7.8 ضعف لنموذج Qwen2.5-3B.
- في التكوينات التي تعتمد بكثافة على ذاكرة ReRAM، نجح SEAL في وضع جميع الطبقات عالية الأهمية في طبقات ذات قابلية منخفضة للخطأ، مما قلل من احتمالية حدوث أخطاء إلى الحد الأدنى الممكن تقنياً.
ماذا يعني ذلك للمستخدمين؟
يضمن هذا النهج الحفاظ على دقة النماذج الذكية؛ حيث ظلت دقة ResNet-18 ضمن نطاق 0.06 نقطة مئوية من خط الأساس الخالي من الأخطاء، بينما حافظ نموذج Qwen2.5-3B على مستوى الحيرة (Perplexity) ضمن نفس النطاق. يمثل هذا التطور خطوة هامة نحو تأمين البنية التحتية للأجهزة التي تشغل الذكاء الاصطناعي، خاصة في مراكز البيانات التي تعتمد على تقنيات الذاكرة المتقدمة، حيث لا يقتصر الأداء على السرعة فحسب، بل يمتد ليشمل الموثوقية الأمنية ضد الهجمات التي تستهدف استقرار النظام عبر شبكات الطاقة.
كيف أعددنا هذا الخبر؟
اعتمد الخبر على المصدر الأصلي الموضح أعلاه. قد نستخدم أدوات آلية للمساعدة في الاستخراج والتصنيف والصياغة،
لكن النشر يخضع لقواعد تمنع المحتوى المكرر والقصير أو الروتيني منخفض القيمة.
اقرأ سياستنا التحريرية.