إطلاق Argus: الهيكل الذكي لتحسين أداء وحدات معالجة الرسوميات تحت إشراف معايير تدفق البيانات!

عالم البرمجة والتحسين لتطبيقات الذكاء الاصطناعي يشهد اليوم تحولًا مثيرًا مع إطلاق Argus، الإطار الثوري الذي يهدف إلى تعزيز أداء الكود المولد لوحدات معالجة الرسوميات (GPU). رغم أن الوكلاء المعتمدين على نماذج اللغات الضخمة (LLM) يمكنهم إنتاج نوى GPU صحيحة من الناحية الوظيفية، إلا أن أداءها لا يزال بعيدًا عن المكتبات المحسّنة يدويًا في عمليات حسابية حاسمة مثل ضرب المصفوفات، والانتباه، ونماذج خلط الخبراء (MoE).

تتطلب تحقيق الأداء الأمثل لوحدات معالجة الرسوميات تنسيقًا ذكيًا عبر تحسينات مرتبطة، ولكن الوكلاء الحاليين يعتمدون فقط على ملاحظات بسيطة حول النجاح والفشل، مما يتركهم غير قادرين على تشخيص انتهاكات القيود العامة. ومع ذلك، يأتي Argus ليبسط هذه العملية عبر استخدام معايير تدفق البيانات (data-flow invariants). وهذا يعني أنه يحتوي على مواصفات تُحدد كيفية تنسيق البيانات خلال تنفيذ الشيفرة.

يقدم Argus لغة برمجة Pythonic مبنية على أسلوب البرمجة بالتجزئة، موضحةً التعليمات البرمجية الخاصة بالجهاز وسياسات المترجم، بينما تخفي التمثيلات منخفضة المستوى. ويدعم نظامه الجديد ميّزات تسمح بتطبيق تعليقات رمزية خلال تدفق البيانات والتحكم، مما يعزز من قوة العملية البرمجية.

أظهرت التجارب على وحدة معالجة الرسوميات AMD MI300X أن الكود الناتج عن Argus يحقق ما بين 99-104% من أداء أفضل الكود المكتوب يدويًا، وهو أسرع بمعدل يتراوح بين 2-1543 مرة مقارنة بالأنظمة الحالية المعتمدة على الذكاء الاصطناعي. بالإضافة إلى ذلك، استطاع Argus التعميم على 200 مهمة من KernelBench، مما يعكس إمكاناته المتقدمة في مجال تحسين الأداء.

لم يكن ممكنًا الوصول إلى مثل هذه النتائج إلا من خلال دمج كل من التعلم المعزز ضمن السياق ومكتبة معرفية مرتبة من تقنيات تحسين الأداء لوحدات معالجة الرسوميات، مما يبشر بفصل جديد في تكنولوجيا البرمجة.