مدل های ترکیبی همزمان برای بهینه سازی پهنای باند ارتباطی تراشه در سیستم های هوش مصنوعی توزیع شده با توجه به مصرف انرژی و تاخیر

با گسترش روزافزون سامانه های هوش مصنوعی توزیع شده و افزایش حجم پردازش های موازی در مراکز داده، بهینه سازی تعاملات میان تراشه ای به یکی از موضوعات کلیدی در مهندسی کامپیوتر تبدیل شده است. در چنین محیط هایی پهنای باند محدود، ارتباطی، مصرف بالای انرژی و تاخیر در انتقال داده ها از مهمترین موانع کارایی سامانه های هوشمند به شمار می آیند. در این پژوهش یک مدل ترکیبی همزمان ارائه می شود که با ادغام رویکردهای الگوریتم های تکاملی چندهدفه و شبکه های عصبی تطبیقی مبتنی بر یادگیری عمیق، به دنبال دستیابی به توازن میان سه معیار اصلی عملکردی یعنی پهنای باند، مصرف انرژی و تاخیر ارتباطی است. در مدل پیشنهادی ساختار تصمیم گیری چندلایه ای طراحی شده که در سطح پایین، تخصیص پهنای باند میان تراشه ای را بر پایه ی الگوریتم ژنتیک پویا انجام می دهد و در سطح بالاتر شبکه عصبی یادگیرنده با تحلیل جریان داده ها و الگوهای مصرف انرژی تنظیمات بهینه را به صورت تطبیقی بازآرایی می کند. نتایج آزمایش ها در محیط شبیه سازی شده سامانه های توزیع شده نشان می دهد که این مدل توانسته است بهبود میانگین ۲۶ درصدی در بهره وری انرژی و ۲۱ درصدی در کاهش تاخیر انتقال داده نسبت به روش های متعارف مبتنی بر تخصیص ایستا ایجاد کند. دستاوردهای این پژوهش می تواند گامی موثر در جهت طراحی نسل آینده ی تراشه های هوش مصنوعی هوشمند و خودتنظیم پذیر باشد که توانایی سازگاری بلادرنگ با شرایط متغیر بار پردازشی و انرژی را دارند. این نتایج افق های نوینی را برای توسعه ی زیرساخت های سخت افزاری پایدار و کارآمد در حوزه ی مهندسی کامپیوتر و سامانه های توزیع شده ی هوشمند می گشاید.

Keywords:

مهندسی کامپیوتر , پهنای باند میان تراشه ای , هوش مصنوعی توزیع شده , بهره وری انرژی