محققان در مقاله جدیدی از «OrchNAS» رونمایی کردهاند؛ فریمورکی نوآورانه که با استفاده از تکنیک «جستجوی معماری عصبی» (NAS)، مدلهای هوش مصنوعی را متناسب با محدودیتهای سختافزاری در دستگاههای لبه (Edge) شخصیسازی میکند.
ویژگیهای کلیدی این دستاورد:
✅ بهینهسازی مصرف انرژی در محیطهای محاسباتی ناهمگون.
✅ شخصیسازی مدلها بر اساس قدرت پردازش، حافظه و بودجه انرژی هر دستگاه.
✅ استفاده از استراتژی هرسکردن (Pruning) تدریجی برای حفظ کارایی در عین سبکی مدل.
این تحقیق گام مهمی برای اجرای هوش مصنوعی قدرتمند روی دستگاههای کوچک و کممصرف بدون قربانی کردن دقت است! ⚡️
منبع: arXiv Machine Learning
